Разработан мультиагентный метод RCA, превосходящий LLM в поиске причин сбоев
Выявление корневых причин сбоев в микросервисных архитектурах остаётся сложной задачей из-за большого объёма разнородных телеметрических данных: метрик, логов и трейсов. Как классические методы, так и системы на основе больших языковых моделей (LLM) показывают низкую точность на реальных данных, как продемонстрировано в новом исследовании на arXiv.
Авторы работы протестировали существующие подходы на наборе данных OpenRCA — крупномасштабном мультимодальном датасете без детальных предметных знаний. Результаты оказались неудовлетворительными: ни один из существующих методов не смог надёжно определить корневые причины отказов.
В ответ на это исследователи разработали Structured Multi-Agent RCA — структурированный мультиагентный конвейер, который объединяет несколько специализированных агентов. Новый метод поддерживает как режим с использованием доменных знаний, так и полностью автоматический режим без них. В тестах он значительно превзошёл все существующие базовые решения, включая LLM-агенты и классические алгоритмы каузального вывода.
Для анализа причин неудач авторы ввели обратный (reverse reasoning) агент. Он определяет, какие сигналы в извлечённых аномалиях поддерживают правильный ответ и были ли эти сигналы доступны на первом этапе. Это позволило классифицировать каждый сбой либо как «пробел в рассуждении» (данные есть, но агент их не использовал), либо как «неоднозначность данных» (данных действительно не хватало).
Оказалось, что в подавляющем большинстве случаев необходимая информация присутствует — ключевым ограничением является не доступ к данным, а способность модели правильно их интерпретировать и соединить в цепочку причин. На основе отчётов обратного агента была создана автоматическая система извлечения правил, которая снижает зависимость от ручного сбора знаний.
Авторы отмечают, что по всем конфигурациям главными ограничениями остаются способность модели к рассуждению и объём встроенных доменных знаний. Более сильные модели содержат больше экспертизы, а явное введение знаний частично компенсирует разрыв. Однако даже при идеальном извлечении данных точность ограничена: улучшение пайплайнов и инженерии агентов не может полностью решить проблему — необходим прогресс на уровне самих моделей.
Исследование подчёркивает, что для надёжной диагностики отказов в микросервисах требуется не только сбор данных, но и развитие алгоритмических способностей ИИ к логическому выводу. Разработанный метод уже доступен для изучения в открытом доступе.
