Root Cause Analysis Graph-Augmented LLM Microservices Incident Response
摘要

微服务根因分析(RCA)需在复杂依赖图中关联异构遥测数据的故障。现有方法常局限于单一模态,而基于LLM的方法易产生无约束探索和幻觉,且多止步于故障排名。本文提出GALA+,一种以图引导调查为核心的图增强LLM智能体框架。该框架利用服务依赖关系限制探索范围,并通过局部多模态证据细化诊断。对于初始假设生成,GALA+结合互补遥测信号与新型STRIX模块(感知追踪与图结构)。最终输出 ranked 诊断、事件摘要及分层行动建议。在两个微服务基准测试中,GALA+表现最佳,AC@1指标超越基线25个百分点以上。

AI 推荐理由

论文核心在于利用图结构引导LLM进行因果推理和故障根因分析,解决幻觉问题并提升诊断准确性。

研究机构
University of Toronto
论文信息
作者 Yifang Tian, Yaming Liu, Zichun Chong, Zihang Huang, Yiran Li et al.
发布日期 2026-08-10
arXiv ID 2608.08968
相关性评分 9/10 (高度相关)