FSE 2026 工业赛道杰出论文｜LagRCA：面向多时滞传播的微服务时空因果根因分析框架

📃标题： Bridging the Delay: Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis

🖊️作者： Shenglin Zhang, Junhua Kuang, Yimeng Zhang, Sibo Xia, Jintao Feng, Jingyu Wang, Wenwei Gu, Yongqian Sun∗, Wei Li, Liping Zhang, Dan Pei

🏫单位：南开大学，阿里巴巴，清华大学

🔗链接：https://nkcs.iops.ai/wp-content/uploads/2026/07/LagRCA_4.24.pdf

🗄️代码：https://github.com/kjhjk566/LagRCA

智能运维前沿：FSE 2026 Industry Track Distinguished Paper｜LagRCA：面向多时滞传播的微服务时空因果根因分析框架

一、引言

微服务已是互联网、金融云系统的标准架构，但服务数量膨胀、调用链路错综复杂，局部故障极易沿依赖链扩散为大规模业务中断。微软曾因级联故障造成数十亿美元损失，足以印证高效根因定位对业务连续性的核心价值。

真实生产环境存在两大无法回避的现实难题：

1.故障异步多时滞传播：上游异常不会同步触发下游告警。受消息队列、重试、弹性调度影响，故障从源头传导至下游存在长短不一的延迟。基于真实银行线上故障统计，仅18.49%的故障同步爆发，超八成故障存在2分钟以上传播滞后，最长可达6分钟以上。现有时空图模型默认同时间切片同步交互，会割裂上游根源与延后出现的下游异常，造成因果错位。

2.拓扑与指标相关性天然冲突：分布式追踪记录的物理调用拓扑结构可靠，但无法捕捉资源争抢等隐式依赖；监控指标时序能反映运行波动，但56.12%高相关服务无直接调用关系，42.86%直接调用服务指标波动微弱。单纯依赖拓扑或指标都会生成大量虚假因果链路，模型容易把指标波动更剧烈的下游受害服务误判为故障源头。

图一 微服务系统中的延迟故障传播情况

图一 微服务系统中的延迟故障传播情况

现有单维度时序/空间分析方法、传统同步时空图神经网络均无法同时解决以上两大痛点。南开大学智能运维团队联合阿里巴巴、清华大学提出LagRCA，该成果斩获FSE 2026 Industry Track Distinguished Paper Award。框架完整建模异构多时滞故障传播，打通调用拓扑与监控指标的信息鸿沟，在开源基准、金融生产集群双数据集验证，前五根因定位精度较最优基线提升21.8%，大幅降低故障人工排查成本。

杰出论文获奖证书

杰出论文获奖证书

二、LagRCA整体框架

LagRCA采用离线训练+在线诊断双阶段流水线，整体由数据预处理、离线两大核心建模模块、在线根因推理模块构成，整套架构围绕多时滞异步传播、拓扑-指标融合两大核心挑战设计，各组件协同形成闭环优化体系。

图二 LagRCA整体框架

图二 LagRCA整体框架

2.1 统一数据预处理模块

框架以微服务实例为最小分析单元，统一接入全链路追踪、CPU/内存/延迟等多维度监控指标。首先对齐所有指标采样频率，通过插值补齐时序空缺，采用标准化消除量纲差异；再使用轻量化多层网络压缩高维多指标数据，生成统一低维实例健康隐向量，过滤冗余监控噪声，大幅降低后续因果结构学习计算开销，为两大离线模块提供标准化统一输入。

2.2 离线双核心建模模块

离线阶段两大模块相互约束、协同迭代，分别对应两大行业核心痛点，形成完整时空因果建模闭环。

2.2.1 多时滞动态因果图学习模块

摒弃传统单一静态依赖图的设计思路，针对不同传播时长分别构建专属因果关联图。每一张时延关联图拆分为两层独立信息：一是从分布式追踪提取的固定调用骨架，作为硬先验约束服务链路符合真实通信关系；二是动态交互权重，记录随流量、负载实时变化的故障影响强弱。

模型采用低秩轻量化网络降低大规模集群计算压力，搭配可微离散优化方法实现骨架与权重联合训练；同时引入双重正则约束：稀疏约束避免生成冗余服务关联，有向无环约束保证故障传播逻辑合理，既能过滤指标同步带来的虚假边，又能捕获追踪无法覆盖的资源竞争隐式依赖。

2.2.2 时滞感知时空表征学习模块

打破传统图卷积同步聚合的固有缺陷，设计面向多时间偏移的时空注意力机制。在聚合上游服务信息时，为不同传播时延设置专属表征标识，计算注意力时同步融合因果图的结构权重，优先匹配跨时间、真实存在的故障传导路径；搭配门控残差结构缓解深层图网络特征平滑问题，平衡实例自身时序特征与上游传导异常。

同时引入共享时序编码器提取各指标局部波动规律，融合实例时空表征完成全指标时序预测，通过预测偏差量化每个实例的基础异常程度，为在线打分提供可靠依据。整套训练以指标预测误差、图稀疏损失、无环损失联合优化，同步校准因果链路与时滞表征。

2.3 在线根因推理模块

离线训练完成后，模型接入线上告警流，核心解决“下游受害服务异常幅度更大、排名靠前”的行业通病，同时输出可解释故障传播链路。

2.3.1 上游修正异常打分机制

传统方案直接依据指标偏差排序，多级级联故障中下游异常经传导放大，极易被误判为根因。LagRCA基于多时滞因果图整合全局服务影响关系，计算每个实例可由上游故障解释的异常分量，从原始异常分数中扣除该部分干扰。若实例大部分指标恶化都源于上游传导，最终可疑分数会被压低；仅存在原生、无法被上游解释异常的实例，才会排在候选列表前列。

2.3.2 故障传播路径生成

完成根因排序后，系统从高分候选出发，沿加权因果图贪心遍历，自动生成完整分层故障传播链条，标注每一段链路对应的传播延迟、异常影响强度，完整还原故障从源头逐层扩散的全过程，无需运维人员跨多监控面板拼凑线索，诊断结果可直接用于故障复盘与工单归档。

三、全方位实验验证

研究采用两类差异化数据集、六类主流SOTA基线开展完整对比，配套消融实验、超参稳定性测试、线上生产落地验证，全方位证明LagRCA的精度、稳定性与工业实用性。

3.1 数据集与基线设置

实验数据集分为两类：一是金融银行真实生产集群D1，包含46个微服务实例、146起标注真实故障，覆盖CPU、内存、存储、IO、服务中断五大类基础设施异常；二是开源Online Boutique基准D2，部署在K8s集群，包含41个实例、161组注入故障，覆盖基础设施、应用双层异常。

对比基线涵盖纯时序BARO、纯空间DyCause、三类传统时空因果RCA模型，覆盖当下主流单维、联合建模方案，所有基线严格遵循原文参数配置保证公平对比。

3.2 整体定位性能

LagRCA在两套数据集所有评价指标上全面领先所有基线：银行生产数据集AC@5达到85.8%，开源基准数据集AC@5高达88.3%，AC@1、平均定位指标优势显著。分故障类型测试显示，无论硬件资源异常还是应用服务中断，模型定位精度均保持稳定，不存在适配短板。推理效率满足线上实时需求，单故障诊断耗时低于1秒，离线训练算力开销与主流图因果模型持平。

表一 在根因定位精度及时间成本方面的比较

表二 对于不同故障类型的LagRCA性能表现

表二 对于不同故障类型的LagRCA性能表现

表二 对于不同故障类型的LagRCA性能表现

3.3 消融与超参实验

消融实验依次移除四大核心模块后，定位精度均出现明显下滑，证明多时滞因果图、拓扑-强度解耦、时滞注意力、上游修正机制缺一不可，模型性能是整套架构协同作用的结果，不存在单一优化捷径。

针对传播延迟窗口、上游修正系数、稀疏正则三大核心超参开展敏感性测试，模型在宽泛参数区间内性能稳定，运维人员无需精细调参即可稳定输出优质诊断结果，降低落地使用门槛。

表三 LagRCA消融实验性能表现

表三 LagRCA消融实验性能表现

3.4 阿里线上落地成效

LagRCA在阿里可观测平台落地运行三个月，采用周期离线更新因果图、告警实时推理双流水线，每月自动处理数百起线上故障。落地前后对比：传统人工排查平均耗时30分钟以上，LagRCA可0.9秒输出完整根因排名与传播链路；线上复盘实测AC@5稳定超80%；推理仅占用少量CPU与GPU资源，不会加重监控平台负载。可视化传播链路大幅降低运维人员定位难度，显著缩减故障处置人力投入。同时基于真实线上票务故障案例复盘，模型可精准区分原生根因与多级受害服务，推理路径与SRE人工复盘结论完全匹配，可解释性满足工业运维需求。

3.5 落地实践总结三大工程经验

1. 拓扑仅作为软先验：线上发布、弹性扩缩会持续变更服务依赖，不能将追踪拓扑设为不可变更硬约束，需保留模型学习隐式依赖的空间；
2. 诊断结果必须配套传播链路：仅输出根因排名难以获得运维信任，完整时滞故障链便于故障复盘与流程沉淀；
3. 深度融合现有运维工具：诊断结果直接挂载原始告警、同步写入工单系统，减少工程师切换平台的操作成本。

四、总结

4.1 核心创新价值

LagRCA突破现有微服务根因分析同步建模的固有局限，建立一套适配多时滞异步级联故障的完整时空因果推理范式，同时打通物理调用拓扑与监控指标的信息壁垒，从理论层面解决两大行业核心痛点：

1. 显式建模差异化故障传播时延，实现上游根源与延后下游异常精准对齐，适配真实线上故障扩散规律；
2. 解耦服务调用骨架与时变故障影响强度，自动过滤虚假指标关联、捕获隐式资源依赖；
3. 独创上游修正打分机制，从根源解决下游受害服务误判的工业通病，同时输出可解释分层故障链路。

4.2 工业落地优势

1. 通用性强：兼容金融、电商等各类微服务架构，覆盖硬件、应用全品类故障；
2. 轻量化在线推理：低算力、亚秒级诊断，可无缝对接企业现有可观测、告警、工单体系，无需重构运维平台；
3. 拓展空间充足：可与日志解析、运维大模型、故障处置SOP结合，形成“告警-根因定位-智能分析-自动处置”完整AIOps闭环。

4.3 团队介绍

本研究由南开大学智能运维课题组牵头，联合阿里巴巴、清华大学共同完成。团队长期深耕云原生、数据中心大规模故障时空因果建模与智能根因分析，多项算法成果落地头部互联网、金融企业线上集群。团队在微服务全链路追踪、大规模监控平台、分布式系统因果推理领域拥有深厚学术积累，LagRCA兼顾理论创新与大规模工业落地能力，为复杂微服务体系提供可靠自动化故障诊断解决方案。