大规模自动化根因分析：云原生事件响应的多信号关联
内容提要
Atlassian开发了自动化根因分析系统，将RCA视为跨信号类型、时间和拓扑的三维关联问题。系统通过服务拓扑缩小范围，独立检测指标、日志和追踪异常，经时间关联和依赖图分析生成排序假设，并附可读叙述。模块化设计支持渐进改进，显著减少人工排查时间，提升事故响应效率。
延伸解读
三维关联：RCA 的核心思路
文章将根因分析定义为信号类型、时间和拓扑三个维度的关联问题。传统排查依赖人工在指标、日志、追踪三个界面间切换比对，而该系统通过独立检测各信号异常，再按时间对齐和依赖图分析，自动生成排序假设。这种设计将工程师从繁重的关联工作中解放出来，直接进入验证和解决阶段，显著降低了对个人经验的依赖。
模块化与渐进式改进
系统采用模块化设计，每个异常检测器都是可插拔组件，通过统一事件格式接入关联引擎。这意味着可以先从指标检测起步，再逐步加入日志和追踪检测，无需重建整个管道。文章强调，统计方法（如中位数绝对偏差）在指标异常检测中效果良好且易于调试，而机器学习更适合日志聚类等复杂场景。这种务实策略降低了落地门槛。
去重与依赖图：提升假设质量的关键
实践中发现，同一故障模式会在短时间内重复出现，若不进行序列指纹去重，会产生大量冗余假设，淹没真正信号。此外，仅靠时间关联会产生过多候选，而服务依赖图提供了因果方向，大幅缩小假设空间。这两个机制是系统在规模化场景下保持有效性的重要保障，也是设计时容易忽视的细节。
可解释性与反馈闭环
系统不仅输出置信度分数，还生成包含证据和推理过程的可读叙述，帮助响应者快速验证假设。同时，通过反馈循环记录假设被接受、拒绝或修正的情况，用于持续调优权重。文章强调，可解释性是建立信任的关键，而反馈闭环则是系统持续改进的基础，这两点对于实际落地至关重要。
Q&A
Atlassian的自动化根因分析系统是如何工作的？
该系统将根因分析视为跨信号类型、时间和拓扑的三维关联问题。首先利用服务拓扑缩小搜索范围，然后独立检测指标、日志和追踪中的异常，通过时间关联和依赖图分析生成排序假设，并附上可读的叙述。
Atlassian的自动化根因分析系统如何处理大量重复的异常事件？
系统使用序列指纹识别技术，对异常路径中的服务顺序计算指纹，并将重复出现的序列合并为一个带有重放计数的单一捆绑，从而避免生成大量冗余假设。
Atlassian的自动化根因分析系统如何确定故障的因果方向？
系统通过图分析确定因果方向。对于每个相关性捆绑，识别出异常严重度最高的汇聚节点，然后向上游遍历依赖图，如果服务A调用服务B且两者同时异常，但B的异常早于A，则B更可能是故障源头。
Atlassian的自动化根因分析系统如何生成人类可读的假设？
系统使用叙述模板生成人类可读的假设，包括故障源头服务、传播路径、每个节点的证据（如指标阈值、异常、追踪ID）以及置信度分数，使响应者能快速验证假设。
Atlassian的自动化根因分析系统如何与更广泛的可靠性平台集成？
系统作为诊断大脑，与用户影响检测、故障服务识别和AI事件副驾驶集成。它发布假设到共享事件上下文，故障服务识别使用早期结果分页给正确的团队，事件副驾驶使用假设和证据提供解释和缓解建议，反馈循环捕获接受或拒绝以改进系统。
Atlassian在构建自动化根因分析系统时有哪些经验教训？
经验教训包括：从简单的异常检测开始，模块化设计带来复利，去重在大规模下必不可少，依赖图是最强大的先验，叙述建立信任。
Atlassian的自动化根因分析系统未来计划是什么？
未来计划包括使用LLM实现迭代式调查，扩展信号类型（如基础设施指标、部署事件、功能标志变更）以从“哪个服务坏了”转向“什么变更导致故障”。
