Penalaran Kausal Grafis untuk Analisis Akar Masalah di Jaringan Cloud

Pendekatan penemuan kausal berbasis data untuk penilaian akar masalah yang interpretable dan sadar waktu di jaringan cloud skala besar

Fabien Chraim; Dominik Janzing; John Evans· 2026· DOI 10.48550/arXiv.2606.13532

Masalah inti

Cloud computing bergantung pada jaringan skala besar yang secara inheren merupakan sistem kompleks. Analisis akar masalah (RCA) insiden jaringan cloud menantang karena dimensionalitas tinggi, sifat dinamis, dan dependensi rumit antar komponen jaringan. Pendekatan otomasi berbasis aturan tradisional sulit mengikuti topologi yang terus berkembang dan beragam mode kegagalan. Makalah ini memperkenalkan pendekatan baru yang memanfaatkan teknik penemuan kausal berbasis graf untuk mengatasi keterbatasan tersebut. Penulis mengusulkan strategi pengelompokan spatiotemporal dan ontologi otomasi untuk mengurangi dimensionalitas masalah, sehingga memungkinkan konstruksi graf kausal dari data deret waktu biner. Tujuannya adalah menyediakan penilaian akar masalah yang interpretable dan sadar waktu yang dapat membantu insinyur jaringan mendiagnosis insiden secara efisien.

Sistem dievaluasi menggunakan dataset berlabel dari 35 insiden produksi dari penyedia cloud besar. Model berhasil mengingat akar masalah yang benar pada 85,7% insiden dan menghasilkan exact match pada 74,3%. Metrik ini menunjukkan kinerja yang kuat dalam mengidentifikasi akar masalah sebenarnya di antara calon potensial. Selain itu, sistem yang digunakan telah dipakai pada lebih dari 800 insiden dunia nyata, dengan umpan balik kualitatif positif dari insinyur jaringan. Tingkat recall yang tinggi menunjukkan metode ini efektif dalam mempersempit akar masalah, sedangkan tingkat exact match menunjukkan presisinya dalam menentukan komponen atau peristiwa yang bertanggung jawab secara tepat.

Cloud computing bergantung pada jaringan skala besar yang secara inheren merupakan sistem kompleks. Analisis akar masalah (RCA) insiden jaringan cloud menantang karena dimensionalitas tinggi, sifat dinamis, dan dependensi rumit antar komponen jaringan. Pendekatan otomasi berbasis aturan tradisional sulit mengikuti topologi yang terus berkembang dan beragam mode kegagalan. Makalah ini memperkenalkan pendekatan baru yang memanfaatkan teknik penemuan kausal berbasis graf untuk mengatasi keterbatasan tersebut. Penulis mengusulkan strategi pengelompokan spatiotemporal dan ontologi otomasi untuk mengurangi dimensionalitas masalah, sehingga memungkinkan konstruksi graf kausal dari data deret waktu biner. Tujuannya adalah menyediakan penilaian akar masalah yang interpretable dan sadar waktu yang dapat membantu insinyur jaringan mendiagnosis insiden secara efisien.

Metode yang diusulkan terdiri dari beberapa langkah utama:

Hasil ini menyoroti kepraktisan pendekatan kausal berbasis data untuk RCA di lingkungan operasional yang dinamis dan berskala besar. Dengan memanfaatkan penemuan kausal, metode ini mengatasi keterbatasan otomasi berbasis aturan, yang sering gagal beradaptasi dengan kondisi jaringan yang berubah dan mode kegagalan baru. Pengelompokan spatiotemporal dan ontologi otomasi secara efektif mengurangi dimensionalitas, membuat masalah menjadi tractable. Inferensi probabilistik dengan lag waktu memberikan skor yang interpretable, yang krusial untuk membangun kepercayaan dengan insinyur jaringan. Umpan balik positif dari lebih dari 800 insiden dunia nyata menegaskan kegunaan sistem dalam produksi. Namun, evaluasi pada 35 insiden, meskipun menjanjikan, mungkin tidak menangkap keragaman penuh kegagalan jaringan cloud. Pekerjaan selanjutnya dapat melibatkan perluasan dataset, menggabungkan algoritma penemuan kausal yang lebih canggih, dan menangani deret waktu non-stasioner. Secara keseluruhan, pendekatan ini merupakan langkah signifikan menuju RCA otomatis dan interpretable di jaringan cloud yang kompleks.

Praktisi dan peneliti ilmu komputer

Membuka konten member…