动态微服务根因分析
Published:
面向服务拓扑、运行负载和故障模式持续变化的微服务系统，研究如何联合利用指标、日志、调用关系等多源可观测数据，实现细粒度故障归因与根因定位。
项目类型科研项目
研究问题动态环境下的故障诊断
当前产出MRC 与 KLD 两项工作
问题背景
微服务系统中的故障往往跨越多个服务与观测模态。拓扑变化、日志分布漂移和异常传播会削弱静态诊断方法的稳定性，仅依赖单一指标也难以解释复杂故障链路。项目聚焦两个问题：如何让不同模态共同支持细粒度归因，以及如何利用动态特征和日志语义提升持续变化环境中的诊断能力。
我的工作
- 梳理动态微服务诊断的任务定义、数据组织方式与评测协议。
- 研究多模态协同优化机制，使指标、日志和调用关系在诊断过程中互相补充。
- 设计日志感知的联合学习方法，刻画运行状态变化与故障特征之间的联系。
- 建立基线复现、消融实验、鲁棒性分析和错误案例复盘流程。
- 将实验结果整理为可复现的研究记录，并推进论文写作与投稿。
研究路径
01多源可观测数据对齐
02动态状态与拓扑建模
03跨模态联合学习
04细粒度诊断归因
05鲁棒性与误差分析
研究产出
- MRC：Multimodal Fine-Grained Diagnostic Attribution via Collaborative Optimization，FSE 2027 在投。
- KLD：Kinetic Log-Aware Joint Learning for Dynamic Microservice Diagnosis，ICLR 2027 在投。