GALA：微服务根因分析与事件响应的图增强大模型智能体

文章背景与核心概要

随着现代微服务架构复杂性的急剧上升，在面对海量、异构的遥测数据时，传统的根因分析（RCA）方法常常显得捉襟见肘，难以有效整合多模态监控信号。尽管近期涌现出一些基于大语言模型（LLM）的运维方案，但它们普遍面临着探索范围不受约束、容易产生幻觉，以及无法提供除故障排序之外真正具有可操作性的事件响应等痛点。

为了攻克这些技术瓶颈，本文介绍了由学术界与SRE（站点可靠性工程）专家共同研发的创新框架——GALA+。该框架巧妙地利用底层服务依赖关系来规范智能体的探索路径，并通过局部的多模态证据精炼诊断过程。实验表明，GALA+在多个微服务基准测试中表现卓越，准确率超越基线LLM方法25个百分点以上，同时能够输出结构化的事件摘要与分层的修复建议，为自动化运维领域树立了新的标杆。

📋 执行摘要 (Executive Summary)

GALA+ 是一个创新的、基于图增强的大语言模型（LLM）智能体框架，旨在解决复杂微服务架构中的根因分析（RCA）与事件响应难题。传统的RCA方法通常依赖于单一的遥测模态，而现有的基于LLM的方法往往遭遇探索不受约束、产生幻觉，以及在提供超越简单故障排序的可操作事件响应方面的失败。

GALA+ is a novel, graph-augmented Large Language Model (LLM) agentic framework designed to tackle Root Cause Analysis (RCA) and incident response in complex microservice architectures. Traditional RCA methods often rely on a single telemetry modality, while existing LLM-based approaches frequently suffer from unconstrained exploration, hallucinations, and a failure to provide actionable incident responses beyond simple fault ranking.

GALA+ 通过利用服务依赖关系来约束探索范围，并借助局部的多模态证据精炼诊断，从而解决了这些问题。经两个微服务基准测试评估并与SRE专家共同开发，GALA+ 的准确率超越基线LLM方法超过25个百分点，同时提供了全面的事件摘要和分层的行动建议。

GALA+ solves these issues by bounding exploration using service dependencies and refining diagnostics through localized multi-modal evidence. Evaluated across two microservice benchmarks and co-developed with SRE experts, GALA+ surpasses baseline LLM methods by over 25 percentage points in accuracy while delivering comprehensive incident summaries and stratified action recommendations.

📌 文档元数据 (Document Metadata)

🔍 摘要与核心方法论 (Abstract & Core Methodology)

微服务根因分析需要在复杂的服务依赖图中，关联异构遥测数据中的大量故障。GALA+ 通过几个核心组件解决了传统工具的核心局限性：

Microservice root cause analysis requires correlating massive amounts of failures across heterogeneous telemetry within complex service dependency graphs. GALA+ addresses the core limitations of legacy tools through several key components:

• 图引导调查： 利用底层服务依赖关系来约束探索路径，防止LLM无约束地漫游和产生幻觉。
• Graph-Guided Investigation: Uses underlying service dependencies to bound exploration paths, preventing unconstrained LLM wandering and hallucinations.
• STRIX 评分模块： 将互补的遥测信号与感知调用链和图结构的评分机制相结合，用于生成稳健的初始假设。
• STRIX Scoring Module: Combines complementary telemetry signals with a trace- and graph-structure-aware scoring mechanism for robust initial hypothesis generation.
• 可操作的事件响应： GALA+ 不仅对故障进行排序，还能输出结构化排序、清晰的事件摘要和分层的修复行动计划。
• Actionable Incident Responses: Instead of merely ranking faults, GALA+ outputs structured rankings, clear incident summaries, and stratified remediation action plans.
• SURE-Score 评估框架： 这是一个由行业站点可靠性工程（SRE）专家共同开发的以人为导向的评估系统，用于评估RCA输出质量，超越了基础的文本相似度指标。
• SURE-Score Evaluation Framework: A human-guided evaluation system co-developed with industry Site Reliability Engineering (SRE) experts to assess RCA output quality beyond basic text similarity metrics.

📊 性能与结果 (Performance & Results)

• 基准优势： GALA+ 在两个不同的微服务评估基准中始终取得顶级结果。
• Benchmark Superiority: GALA+ consistently achieves top-tier results across two distinct microservice evaluation benchmarks.
• 准确率跃升： 在 AC@1 指标上，性能超越领先的基于 LLM 的基线 超过 25 个百分点。
• Accuracy Leap: Outperforms the leading LLM-based baseline by more than 25 percentage points in AC@1 metrics.
• 专家验证： 获得了来自自动化 SURE-Score 指标和独立人类 SRE 评估的最高质量评分。
• Expert Validation: Receives the highest quality ratings from both automated SURE-Score metrics and independent human SRE evaluations.

🔗 资源与访问链接 (Resources & Access Links)

• 全文访问：
• 查看 PDF
• HTML 实验版本
• TeX 源文件
• 许可证： 知识共享署名 4.0 国际版
• 外部引用：
• Google 学术
• 语义学者
• NASA ADS