通过多代理思想递归实现微服务的深入根本原因定位

随着现代微服务系统由于动态交互和不断变化的运行时环境而变得越来越复杂，它们遇到故障的频率也越来越高。因此，确保系统可靠性关键取决于准确的根本原因定位 (RCL)。尽管已经针对此任务探索了许多传统的机器学习和深度学习方法，但它们通常面临可解释性有限和跨部署可移植性差的问题。最近，基于 大语言模型 (LLM) 的方法被提出来解决这些问题。然而，现有的基于 LLM 的方法仍然面临两个基本限制：上下文爆炸，它会稀释关键证据并降低定位准确性；串行推理结构，会阻碍深层因果探索并损害推理效率。在本文中，我们对人类 SRE 在实践中如何执行根本原因定位以及为什么现有的基于 LLM 的方法存在不足进行了全面研究。受这些发现的启发，我们引入了 RCLAgent，这是一种针对微服务系统的深度根本原因定位框架，可通过并行推理实现多代理思维递归。 RCLAgent 通过将每个跨度分配给专用代理并根据图拓扑递归并行地组织代理，沿着跟踪图分解诊断过程，通过综合根级诊断报告和全局证据图获得最终诊断。对多个公共基准的大量实验表明，RCLAgent 在定位精度和推理效率方面始终优于最先进的方法。