通过潜在空间干预识别实现有限可观测性下的微服务根因分析

基于摘要分析。本文研究微服务系统在监控信息有限、根因候选（RCCs）类型异构时的故障根因分析（RCA），提出无监督框架 LatentScope：将 RCCs 建模为潜变量，通过相关监控指标推断其状态，而非仅从可观测指标中直接提取特征。 核心机制是构建同时描述可观测变量与不可观测变量的双空间图，并以多对多关系连接两个空间。作者进一步提出 LatentRegressor，其中包含 Regression-based Latent-space Intervention Recognition（RLIR），用于潜变量快速推断及潜在空间中的干预识别式 RCA。相较于依赖较全面监控、对单一层级根因候选排序的方法，其研究重点是有限观测条件下的异构根因定位；潜变量如何定义、图如何构建以及干预如何识别，尚需正文核对。 作者报告，LatentScope 已部署于 eBay 生产环境，并在 eBay 真实故障与一个测试床数据集上评估；相较基线算法，Top-1 recall 提升 9.7%–57.9%。摘要未说明该范围对应的具体数据集、基线及划分，也未明确是相对百分比还是百分点，不能进一步换算或跨协议比较。作者声明代码和数据集已公开；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，潜变量与多对多观测映射可能为 EEG 通道缺失条件下的隐状态推断提供思路，但微服务根因候选不等同于脑源或认知状态。可借鉴的是双空间表示，需重构 EEG 观测关系、监督目标与状态可辨识约束；低信噪比、跨被试差异和小样本可能导致潜变量不可辨识，观测异常也不等同于因果干预。一个小规模检验可在固定被试内划分下模拟通道缺失，将该表示与仅使用可观测通道的匹配基线比较，检验下游性能及潜状态稳定性。相关 EEG 工作尚未检索确认。