Resumo Técnico: Análise de Causa Raiz Livre de Grafos via PRISM

Declaração do Problema

Em sistemas de TI complexos e em evolução (ex: microsserviços), a Análise de Causa Raiz (RCA) rápida é crítica para prevenir falhas em cascata. As abordagens de RCA existentes enfrentam um dicotomia fundamental:

1. Métodos Baseados em Grafos: Estes assumem um grafo de dependência conhecido ou tentam construir um via descoberta causal. No entanto, grafos de dependência são frequentemente indisponíveis em sistemas de grande escala, e técnicas de descoberta causal provaram ser limitadas em precisão e escalabilidade.
2. Métodos Baseados em Pontuação (Livres de Grafo): Estes classificam componentes por pontuações de anomalia, operando sob a premissa de que a causa raiz apresenta a maior pontuação de anomalia. O artigo argumenta que essa premissa é fundamentalmente falha quando as falhas se propagam. Em padrões de "fan-in" (ex: um serviço chamando um backend $k$ vezes), um pequeno atraso na causa raiz pode acumular em uma anomalia massiva a jusante. Consequentemente, os componentes afetados frequentemente exibem pontuações de anomalia maiores do que a própria causa raiz, induzindo ao erro na classificação por pontuação.

Metodologia: O Framework PRISM

Os autores propõem o PRISM, um framework simples e eficiente para RCA que opera sem conhecimento estrutural de dependência. O PRISM baseia-se em uma observação inovadora: uma assimetria fundamental entre causas raízes e componentes afetados em relação às suas propriedades internas e externas.

1. O Modelo Componente-Propriedade

O PRISM formaliza uma classe de sistemas usando o Modelo Componente-Propriedade, que decompõe as propriedades do sistema em duas categorias distintas:

• Propriedades Internas ($I$): Locais a um componente e não diretamente observáveis por outros (ex: uso de CPU, utilização de memória, comprimento de fila, variáveis de estado interno).
• Propriedades Externas ($E$): Observáveis por outros componentes através de interações (ex: latência de resposta, taxas de erro).

O modelo é construído sobre dois axiomas:

• Axioma 2.5 (Intracomponente): Propriedades internas são ancestrais causais das propriedades externas dentro de um componente. Falhas originam-se internamente e manifestam-se externamente.
• Axioma 2.6 (Isolamento Intercomponente): A influência causal entre componentes ocorre apenas através de propriedades externas. Um componente não pode alterar diretamente o estado interno de outro componente.

Insight Chave: Um componente de causa raiz exibe anomalias tanto em suas propriedades internas quanto externas. Em contraste, componentes afetados (a jusante) exibem anomalias apenas em suas propriedades externas (devido à propagação), enquanto suas propriedades internas permanecem em níveis nominais.

2. O Pipeline do PRISM

O PRISM executa a RCA em três estágios:

1. Pontuação de Anomalia: Computa pontuações de anomalia baseadas em desvio (ex: z-score, baseado em IQR) para todas as propriedades. O artigo prova que pontuadores baseados em desvio satisfazem a monotonicidade e a injetividade, que são teoricamente necessárias para distinguir magnitudes de desvio distintas. Isso contrasta com pontuadores de Teoria da Informação (IT), que sofrem de saturação e carecem de injetividade quando as anomalias excedem os limites históricos.

2. Agrupamento de Pontuação (Score Pooling): Agrega pontuações ao nível da propriedade em pontuações ao nível do componente:

   • $S^I_i$: Pontuação interna agrupada para o componente $C_i$.
   • $S^E_i$: Pontuação externa agrupada para o componente $C_i$.
   • A função de agrupamento é monotônica e invariante à permutação (ex: max, soma, média).

3. Classificação de Causa Raiz: Combina $S^I_i$ e $S^E_i$ em uma pontuação de causa raiz final $M(C_i)$. O PRISM propõe duas funções de pontuação:

   • Pontuação Aditiva ($M_{add}$): $S^I + S^E - \log(1 + S^I + S^E)$.
   • Pontuação Conjuntiva ($M_{conj}$): $\min(S^I, S^E)$.

   Ambas as funções satisfazem o limite interno (internal boundedness), garantindo que a pontuação final de um componente seja controlada por sua pontuação de anomalia interna. Isso evita que componentes afetados (que possuem alto $S^E$, mas $S^I$ nominal) superem a causa raiz (que possui alto $S^E$ e alto $S^I$) na classificação.

Principais Contribuições

1. Framework PRISM: Um framework de RCA livre de grafos que localiza efetivamente causas raízes ao explorar a distinção entre anomalias de propriedades internas e externas.
2. Garantias Teóricas: O artigo formaliza o Modelo Componente-Propriedade e prova que, sob os Axiomas 2.5 e 2.6, o PRISM classifica corretamente a causa raiz acima dos componentes afetados. Ele também estabelece que pontuadores baseados em desvio são necessários para evitar os problemas de saturação inerentes aos pontuadores baseados em IT.
3. Validação Empírica: Experimentos extensos em 735 casos de falha em 9 conjuntos de dados do mundo real (benchmark RCAEval).

Resultados

• Acurácia: O PRISM alcança 68% de acurácia Top-1, uma melhora de 258% sobre o melhor baseline (BARO, que alcançou 19%). Também alcança 91% de acurácia Top-3.
• Eficiência: O PRISM requer apenas 8ms por diagnóstico (mediana), tornando-o quase tão rápido quanto o baseline mais rápido (BARO com 6.3ms) e ordens de magnitude mais rápido que métodos baseados em grafos ou LLM (ex: PC-PageRank com 1.2s, RCLAgent com 79s).
• Robustez:
  • O PRISM é robusto a diferentes estratégias de agrupamento (max, soma, média) e funções de pontuação.
  • Desempenha-se excepcionalmente bem em falhas de recursos (100% Top-3 em CPU, MEM, DISK, SOCKET) e mantém forte desempenho em falhas de rede.
  • Alcança a maior acurácia com observações iniciais pós-falha (81% Top-1 com 10% de dados), permitindo o diagnóstico imediato antes que a propagação da falha acumule ruído.
• Ablação: Remover a decomposição interno-externa (ex: classificar apenas por pontuações marginais) reduz a acurácia Top-1 para 19%, confirmando a necessidade da abordagem proposta.

Significância e Alegações

O artigo afirma que o PRISM aborda uma lacuna crítica na RCA: a incapacidade de diagnosticar falhas quando os grafos de dependência são desconhecidos e quando as anomalias a jusante se amplificam além da causa raiz. Ao mudar o foco de "maior pontuação de anomalia" para "anomalia tanto em propriedades internas quanto externas", o PRISM fornece uma solução teoricamente fundamentada, eficiente e altamente precisa para sistemas de microsserviços modernos. Os autores enfatem que esta abordagem não requer descoberta causal ou conhecimento estrutural, tornando-a aplicável a sistemas grandes e em evolução onde tal informação é frequentemente indisponível. O trabalho demonstra que uma decomposição simples e principista de observáveis pode superar métodos complexos de inferência causal e baseados em grafos tanto em acurácia quanto em velocidade.