TraceDiag: Adaptive, Interpretable, and Efficient Root Cause Analysis on Large-Scale Microservice Systems
TraceDiag 利用强化学习自动剪枝大规模微服务依赖图，在保留可解释性和自适应性的同时提升根因分析效率与准确性，并已在 Microsoft M365 Exchange 中实际部署验证。
2023-10-28 cs.SE
KRCA: An Efficient Root Cause Analysis System in Hyper-scale Microservice Systems via Agentic AI
Nankai University（南开大学）；Kuaishou Technology（快手科技）；Tsinghua University（清华大学）
提出KRCA系统，通过多阶段流水线（API级钻取、骨架因果图、记忆增强多智能体框架）实现超大规模微服务的高效根因定位与故障分类，AC@1达0.88和0.79，诊断时间减少77.3%。
2026-08-04 cs.SE
Eadro: An End-to-End Troubleshooting Framework for Microservices on Multi-source Data
微服务的复杂性和动态性对系统可靠性提出了重大挑战，因此，自动化故障排除至关重要。异常检测后有效的根本原因定位对于确保微服务系统的可靠性至关重要。然而，现有方法存在两个重要问题：（1）微服务生成跟踪，系统日志和关键性能指标（KPI），但现有方法通常只考虑跟踪，无法完全理解系统，因为跟踪无法描述所有异常;（2）微服务故障排除通常包含两个主要阶段，即，异常检测和根本原因定位。现有的研究认为这两个阶段是独立的，忽略了它们之间的密切联系。更糟糕的是，不准确的检测结果会严重影响定位效果。为了克服这些限制，我们提出了Eadro，这是第一个基于多源数据集成异常检测和根本原因定位的端到端框架，用于对大规模微服务进行故障排除。Eadro的关键见解是不同数据源上的异常表现以及检测和定位之间的密切联系。因此，Eadro通过跟踪、日志和KPI对服务内行为和服务间依赖关系进行建模，同时通过多任务学习利用两个阶段的共享知识。在两个广泛使用的基准微服务上的实验表明，Eadro的性能远远优于最先进的方法。结果还表明了多源数据集成的有效性。我们还发布了我们的代码和数据，以方便未来的研究。
2023-02-10 cs.SE
AnoMod: A Dataset for Anomaly Detection and Root Cause Analysis in Microservice Systems
University of Helsinki（赫尔辛基大学）
AnoMod数据集通过多模态数据支持微服务系统中异常检测与根本原因分析的端到端研究。
2026-01-30 cs.SE
Adaptive Root Cause Localization for Microservice Systems with Multi-Agent Recursion-of-Thought
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
本文提出RCLAgent，一种基于多智能体递归思维框架的自适应微服务根因定位方法，通过递归推理、多维扩展与跨模态分析，仅用单个请求即可超越依赖多请求聚合的现有方法。
2025-08-28 cs.AI cs.SE
Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments
Wuhan University（武汉大学）；Sun Yat-sen University（中山大学）；Central China Normal University（华中师范大学）
针对云边协同环境下微服务系统根因定位难的问题，提出MicroCERCL方法，结合内核日志与异构动态拓扑栈的图神经网络模型，无需历史数据即可定位根因，性能优于现有方法。
2024-06-19 cs.AI cs.PF cs.SE
Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）
SpecRCA通过假设-验证范式提升微服务系统根本原因分析的准确性和效率。
2026-01-06 cs.AI cs.SE
LATS-RCA: Language Agent Tree Search for Root Cause Analysis in Microservices
Zoner Oy（Zoner公司）；University of Helsinki（赫尔辛基大学）
提出LATS-RCA方法，将根因分析建模为反射引导的树结构搜索，通过多智能体迭代分析日志和指标，在微服务系统中实现91.3%的诊断准确率，并验证了模型无关性。
2026-06-16 cs.SE
Root Cause Analysis for Microservice Systems via Cascaded Conditional Learning with Hypergraphs
Wuhan University（武汉大学）；Zhongguancun Laboratory（中关村实验室）
CCLH通过级联条件学习和超图建模，提升微服务系统根本原因分析的准确性和效率。
2025-11-14 cs.DC cs.LG cs.SE
Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought
Peking University（北京大学）；Huawei Theory Lab（华为理论实验室）
本文提出RCLAgent框架，通过多智能体递归思考实现微服务系统根本原因定位，提升定位准确性和推理效率。
2026-05-14 cs.AI cs.SE
EviRCA: Decoupling Evidence Extraction from Reasoning for Microservice Root-Cause Analysis
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Software Technology, Zhejiang University（浙江大学软件学院）；China Telecom Cloud Computing Corporation（中国电信云计算公司）
EviRCA将确定性证据提取与LLM推理解耦，通过生成多模态证据卡片和只读工具，在OpenRCA基准上以40.6%-43.9%正确率大幅超越基线，并显著降低计算成本。
2026-09-18 cs.SE
GALA: Graph-Augmented LLM Agents for Root Cause Analysis and Incident Response in Microservices
University of Toronto（多伦多大学）
针对微服务RCA的现有方法存在局限，提出图增强LLM智能体框架GALA+，结合STRIX与SURE-Score，在基准测试中性能优于最佳LLM基线，获SRE专家认可。
2026-08-11 cs.AI cs.SE
Agentic Memory Enhanced Recursive Reasoning for Root Cause Localization in Microservices
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）；Institute of Artificial Intelligence（人工智能研究院）
本文提出AMER-RCL框架，通过递归推理和代理记忆提升微服务根因定位的准确性和效率。
2026-01-06 cs.AI cs.SE
Beyond Fault Localization: A Trajectory-Level Study of LLM Agents for Microservice Root Cause Analysis
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Xi’an Jiaotong University（西安交通大学）
本研究针对微服务根本原因分析，提出轨迹级评估框架，发现智能体答案正确性与诊断质量脱节，构建DiagGuard架构提升了RCA的Acc@1指标，为自动化RCA改进提供指导。
2026-10-12 cs.SE
ARMOR: A Robust Self-Supervised Framework for Root Cause Analysis in Microservices under Missing Modality
Zhejiang University（浙江大学）
本文提出ARMOR框架，通过自监督学习解决微服务故障管理中多模态数据缺失问题，提升异常检测、故障分类和根本原因定位的性能。
2026-08-04 cs.LG cs.SE
Anomaly Detection and Root Cause Analysis for Microservice Systems
Viet Nam National University Ho Chi Minh City - University of Technology (HCMUT)（越南国家大学胡志明城-技术大学（HCMUT））；School of Computing Technologies（计算技术学院）；College of Science, Technology, Engineering and Maths（科学、技术、工程和数学学院）；Royal Melbourne Institute of Technology (RMIT University)（皇家墨尔本理工学院（RMIT大学））
针对微服务系统异常检测与根因分析的五大局限性，提出端到端方法BARO、EventADL和TORAI，并构建基准RCAEval，通过实验验证有效性与鲁棒性。
2026-08-12 cs.AI cs.SE
Student Research Abstract: Microservices-based Systems Visualization
去中心化的基于微服务的系统的发展具有挑战性。这些挑战分为静态和动态两类。关于静态的观点，文档化和可视化流体应用程序拓扑是很少有人能够完成的事情。构建服务设计的架构图是一项复杂的任务，其解释而不是构造。因此，以系统为中心和最新的视图成为这样的分布式系统必不可少的。动态视角考虑调查和服务路径检测的过程。因此，执行根本原因分析是一项繁重的任务;因此，需要将跟踪数据放在正确的上下文中以便于调查。此外，由于系统中涉及大量的微服务，通过传统的可视化技术来可视化这些跟踪是不可行的。本文提出了一种基于微服务的系统使用增强现实（AR）技术，将这些静态和动态行为合并到一个单一的中心视图的可视化概念。此外，我们挑战的困难，跟踪和调试的问题，在这样的分布式系统。这一概念旨在作为这些系统的动态文档和可追溯性平台。概念验证和研究的实施，以显示这一建议的可行性和成功。
2022-07-23 cs.SE
A Comprehensive Survey on Root Cause Analysis in (Micro) Services: Methodologies, Challenges, and Trends
Southeast University（东南大学）
本文系统综述了微服务场景下基于指标、追踪、日志及多模型数据的根因分析方法，梳理现有挑战与未来趋势，为智能运维和自动化故障诊断提供研究方向指引。
2024-07-23 cs.AI cs.CE cs.SE
SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice
DAMO Academy, Alibaba Group（达摩院（阿里巴巴集团））
本文提出SLIM方法，利用决策规则集和次模最大化优化F1分数，解决微服务变更服务中不平衡故障定位问题，在准确率与可解释性上优于现有方法且训练开销低。
2024-05-31 cs.AI cs.LG cs.SE
eIRWR: Enhanced Iterative Random Walk with Restart for Scalable Root Cause Analysis in Microservices
Science and Technology Facilities Council（科学技术设施委员会）；RAL, Didcot, OX11 0QX, UK（RAL，迪德科特，OX11 0QX，英国）；Department of Engineering Science（工程科学系）；University of Oxford（牛津大学）
该研究针对微服务根因分析的现有随机游走算法定位信号利用不足的问题，提出eIRWR算法，通过三项核心设计提升性能，在阿里巴巴微服务追踪数据集上取得显著优于基准的效果，且运行高效适合在线部署。
2026-08-11 cs.DC cs.SE cs.SY
Can LLMs Really Recover Microservice Failures? A Recovery-Aware Evaluation of Diagnosis-to-Action Reasoning
Beihang University（北京航空航天大学）；Chongqing University（重庆大学）；Microsoft Research Asia（微软亚洲研究院）；Concordia University（康考迪亚大学）
研究大语言模型在云原生微服务系统中恢复故障的能力，提出R2Act框架，定义相关内容并实例化为基准数据集，评估多种方法，发现恢复失败多因难以将诊断证据转化为有效恢复行动。
2026-07-07 cs.DC cs.SE
Rethinking Tool Design for Agentic RCA: A Controlled Empirical Study
Nankai University（南开大学）；Huawei Technologies Co., Ltd.（华为技术有限公司）；Tsinghua University（清华大学）
本研究通过受控实验比较了不同工具配置对LLM智能体在微服务根因分析中的影响，发现工具层级能提升故障类型识别但可能降低定位准确率，且收益因模型和系统而异，为工具选择提供了实证依据。
2026-10-06 cs.SE
FaaSRCA: Full Lifecycle Root Cause Analysis for Serverless Applications
本文提出 FaaSRCA，通过全局调用图融合多模态可观测性数据并训练基于 GAT 的图自编码器，实现无服务器应用全生命周期根因定位，top-k 精确率较基线提升 21.25%–81.63%。
2024-12-03 cs.SE
Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications: A Survey
微服务和云原生软件架构所获得的动力推动了当今企业IT向多服务应用的发展。应用程序中服务和服务交互的激增（通常由数百个交互服务组成）使得更难检测故障并确定其可能的根本原因，而这对于迅速恢复和修复应用程序至关重要。已经提出了各种技术来基于故障的症状迅速检测故障，即，观察一个或多个应用服务中的异常行为，以及分析这些服务的日志或所监视的性能，以确定所观察到的异常的可能根本原因。本次调查的目的是提供一个结构化的概述和定性分析，目前可用的技术异常检测和根本原因分析，在现代多服务应用程序。一些开放的挑战和研究方向的分析所产生的也进行了讨论。
2021-05-26 cs.SE
FC-ADL: Efficient Microservice Anomaly Detection and Localisation Through Functional Connectivity
University of Sussex（苏塞克斯大学）
FC-ADL通过功能连接概念，高效检测和定位微服务异常，适用于大规模部署。
2025-11-30 cs.DC cs.LG cs.SE
Does Graph Structure Earn Its Place in Microservice Root-Cause Analysis? A Controlled Study on RCAEval, and What the Benchmark Was Really Measuring
Polytechnic Faculty, University of Zenica（泽尼察大学理工学院）
本研究在RCAEval基准上通过受控实验发现图结构对微服务根因分析无可靠增益，揭示基准存在遥测先验偏差，并提出新模型PSC-GRCA及十二项消融研究检查清单。
2026-09-24 cs.LG cs.SE
Praxium: Diagnosing Cloud Anomalies with AI-based Telemetry and Dependency Analysis
Boston University（波士顿大学）
本文提出Praxium框架，利用AI技术进行云服务异常检测和根本原因推断，通过遥测数据和依赖分析提高故障诊断效率和准确性。
2026-05-20 cs.LG cs.SE
PRAXIS: Integrating Program Analysis with Observability for Root-Cause Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Research（IBM研究院）
PRAXIS通过整合程序分析与可观测性，提升云故障根本原因分析的准确性，减少token消耗，适用于真实世界故障场景。
2026-04-29 cs.AI cs.DC cs.SE
GAL-MAD: Towards Explainable Anomaly Detection in Microservice Applications Using Graph Attention Networks
Department of Computer Science and Engineering（计算机科学与工程系）；University of Moratuwa（穆塔瓦大学）
本文提出GAL-MAD模型，结合图注意力网络和LSTM捕获微服务时空依赖，利用SHAP值定位异常根因，在RS-Anomic数据集上实现了高准确率与可解释的异常检测。
2025-04-26 cs.AI cs.LG cs.SE
ErrorPrism: Reconstructing Error Propagation Paths in Cloud Service Systems
本文提出 ErrorPrism，结合静态分析与 LLM 智能体迭代反向搜索，自动重建生产微服务中的多跳错误传播路径，并在字节跳动真实系统上验证其高准确率。
2025-09-30 cs.SE
Rethinking the Evaluation of Microservice RCA with a Fault Propagation-Aware Benchmark
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种自动框架，生成更复杂的微服务RCA基准，发现现有基准过于简化导致RCA方法性能被高估，新基准测试显示SOTA模型性能下降，准确度低且执行时间增加。
2025-12-23 cs.SE
Groot: An Event-graph-based Approach for Root Cause Analysis in Industrial Settings
对于大规模分布式系统，有效地诊断事件的根本原因以保持高系统可用性至关重要。微服务架构的最新发展带来了三大挑战（即，操作、系统规模和监控复杂性）到工业环境中的根本原因分析（RCA）。为了应对这些挑战，在本文中，我们提出了Groot，一个基于事件图的RCA方法。Groot基于事件构建实时因果关系图，总结所分析系统中各种类型的指标、日志和活动。此外，为了整合站点可靠性工程（SRE）工程师的领域知识，Groot可以使用用户定义的事件和特定于领域的规则进行定制。目前，Groot支持5,000个真实生产服务中的RCA，并被SRE团队积极使用，该团队是一个全球电子商务系统，每年为超过1.85亿活跃买家提供服务。在15个月的时间里，我们收集了一个数据集，其中包含952个真实生产事件的标记根本原因，以供评估。评估结果表明，Groot能够达到95%的top-3准确率和78%的top-1准确率。为了分享我们在工业环境中部署和采用RCA的经验，我们进行了调查，以显示Grootfindit的用户非常有用且易于使用。我们还分享了在生产环境中部署和采用Groot解决RCA问题的经验教训。
2021-09-22 cs.SE
Cloud-OpsBench: A Reproducible Benchmark for Agentic Root Cause Analysis in Cloud Systems
The Chinese University of HongKong（香港中文大学）；Sun Yat-sen University（中山大学）
Cloud-OpsBench 是一个用于云系统代理根本原因分析的可重现基准，通过构建确定性数字孪生，提供数据引擎、强化学习环境和诊断标准，支持下一代SRE研究。
2026-08-26 cs.SE
A Topology-Aware, Memory-Centric Architecture that Separates Root-Cause Derivation from Root-Cause Explanation
Independent Research Prototype（独立研究原型）
提出OPS CORTEX多智能体原型，通过四层操作记忆分离根本原因推导（基于依赖图与阈值时序）与解释（LLM），解决微服务故障诊断中上下文丢失问题。
2026-06-23 cs.AI cs.SE
Flow-of-Action: SOP Enhanced LLM-Based Multi-Agent System for Root Cause Analysis
针对微服务架构中RCA依赖专家耗时久、现有ReAct框架存在幻觉问题的挑战，提出基于SOP增强的多智能体系统Flow-of-Action，通过SOP流工具和辅助智能体优化过程，将准确率从ReAct的35.50%提升至64.01%。
2025-02-12 cs.SE
The Multi-Agent Fault Localization System Based on Monte Carlo Tree Search Approach
针对微服务场景下LLM根因分析存在幻觉、上下文窗口不足的问题，提出基于蒙特卡洛树搜索和知识库奖励的多智能体系统KnowledgeMind，大幅降低上下文需求并提升定位准确率。
2025-07-30 cs.SE
