CHASE: A Causal Heterogeneous Graph based Framework for Root Cause Analysis in Multimodal Microservice Systems

近年来，行业内广泛采用分布式微服务架构显著增加了对增强系统可用性和鲁棒性的需求。由于企业级微服务系统中存在复杂的服务调用路径和依赖关系，因此很难在服务调用期间及时定位异常，从而导致正常系统运营和维护面临棘手的问题。本文提出了一种基于因果异构图的微服务系统根本原因分析框架，即CHASE，用于处理多模态数据，包括跟踪、日志和系统监控指标。具体而言，相关信息被编码为代表性嵌入，并进一步由多模态调用图建模。随后，通过从相邻的度量和日志节点进行关注异构消息传递，对每个实例节点执行异常检测。最后，CHASE从构建的超图中学习，超边表示因果流，并执行根本原因定位。我们在两个具有不同属性的公共微服务数据集上评估了所提出的框架，并与最先进的方法进行了比较。结果表明，相对于其最佳对手，CHASE的平均性能提高了高达36.2％（A@1）和29.4％（Percentage@1）。

该论文旨在解决微服务系统中根本原因分析的问题，提出了一种基于图的框架CHASE，可以处理包括跟踪、日志和系统监控指标在内的多模态数据。

该论文的关键思路是将相关信息编码为代表性嵌入，并通过多模态调用图进行建模。然后，从其相邻的指标和日志节点进行注意力异构消息传递，对每个实例节点进行异常检测。最后，CHASE从构建的超图中学习并执行根本原因定位。

该论文的亮点包括使用多模态调用图进行建模和根本原因分析、提出了一种注意力异构消息传递的方法、在两个公共微服务数据集上进行了实验并与现有方法进行了比较，取得了显著的性能提升。

最近的相关研究包括《Microservice Root Cause Analysis with Hierarchical Graph Convolutional Networks》、《A Survey of Microservice Architecture》等。