Resumo Técnico: GALA+ (Agentes de LLM Aumentados por Grafos para Análise de Causa Raiz e Resposta a Incidentes em Microsserviços)

1. Declaração do Problema

As arquiteturas modernas de microsserviços introduzem uma complexidade operacional significativa devido a grafos de dependência intrincados e dados de telemetria heterogêneos (métricas, logs e traços). Quando ocorrem falhas, os Engenheiros de Confiabilidade de Site (SREs) enfrentam três desafios principais:

1. Propagação de Falhas: O sintoma observado (ex: alta latência no Serviço A) frequentemente difere da verdadeira causa raiz (ex: saturação de CPU em um Serviço B downstream), exigindo raciocínio sobre as dependências dos serviços em vez de apenas inspeção isolada.
2. Ambiguidade Multimodal: Diferentes sinais de telemetria podem apontar para suspeitos conflitantes; o diagnóstico preciso requer a fusão dessas modalidades em vez de depender de uma única fonte.
3. Resposta Acionável: Identificar o serviço defeituoso é insuficiente; os engenheiros precisam de uma explicação causal da propagação da falha e etapas de remediação estratificadas (mitigação imediata, correção permanente, prevenção).

As abordagens existentes falham: métodos estatísticos frequentemente dependem de modalidades únicas ou heurísticas estáticas; abordagens multimodais podem perder sinais específicos de cada modalidade; e agentes de Grandes Modelos de Linguagem (LLMs) recentes frequentemente sofrem de exploração sem restrições, alucinação e falta de fundamentação topológica, levando a um excesso de overhead de busca e degradação da precisão. Além disso, métricas de avaliação padrão (BLEU, ROUGE) não conseguem avaliar a fundamentação causal e a especificidade operacional exigidas para RCA (Análise de Causa Raiz).

2. Metodologia: Estrutura GALA+

O GALA+ é uma estrutura de agente de LLM aumentada por grafos, projetada para restringir o raciocínio dentro do grafo de dependência de serviços. Ele opera em quatro fases coordenadas:

Fase I: Geração de Hipótese Inicial

O GALA+ gera um ranking grosseiro de pods prováveis de serem a causa raiz, fundindo dois sinais complementares:

• Ranking Baseado em Métricas (BARO): Utiliza detecção de mudança de ponto de origem Bayesiana online para identificar anomalias e construir um DAG causal, pontuando serviços pelo seu impacto causal nas anomalias observadas.
• Ranking Baseado em Traços (STRIX): Um módulo inovador que analisa traços distribuídos e a topologia de dependência de serviços. Ele computa três dimensões diagnósticas:
  • Instabilidade ($\phi_1$): A razão entre P99 e P50 de latência, capturando contenção de recursos.
  • Centralidade ($\phi_2$): Um PageRank ponderado incorporando razões de fan-in/fan-out para identificar gargalos estruturais.
  • Impacto ($\phi_3$): Uma decomposição da latência para distinguir atrasos de processamento de tempos de espera downstream.
  • Fusão: Esses rankings são combinados via Reciprocal Rank Fusion (RRF). Um Agente de Consolidação raciocina sobre a informação assimétrica (ex: candidatos apenas de traços vs. apenas de métricas) para produzir uma lista classificada unificada com escores de confiança.

Fase II: Síntese de Contexto Centrada no Pod

A telemetria bruta é volumosa demais para o processamento direto por LLM. Para cada pod candidato, o GALA+ destila um Pacote Diagnóstico ($D_i$) contendo:

• Métricas serializadas (formato JSON) dentro da janela do incidente.
• Um subgrafo de dependência de 1-salto (1-hop) com atributos de aresta (latência, volume de chamadas).
• Logs destilados (apenas entradas de nível de erro, ordenadas por timestamp).

Fase III: Investigação Agêntica Guiada por Grafo

Para evitar a exploração sem restrições, o GALA+ emprega Agentes Investigadores que realizam uma busca limitada:

• Os agentes começam a partir dos top-$k$ candidatos no ranking inicial.
• Eles raciocinam sobre o pacote diagnóstico para produzir uma avaliação estruturada (confiança, evidência, explicação causal).
• Se a evidência local for inconclusiva (confiança < limiar $\theta$), o agente expande para um lote aleatório de vizinhos no grafo de dependência.
• Este processo continua até que uma evidência de alta confiança seja encontrada ou que todos os vizinhos sejam esgotados, garantindo que a busca permaneça localizada em caminhos estruturalmente plausíveis.

Fase IV: Síntese Diagnóstica e Resposta a Incidentes

Um Agente de Síntese de Evidências reconcilia os achados de todos os ramos de investigação. Ele aplica duas regras:

1. Ancoragem de Sinal: Evita alucinação ao tratar os escores de confiança iniciais como priors.
2. Coerência de Cadeia: Promove um candidato ao topo do ranking apenas se sua cadeia causal explicar os sintomas observados em todos os ramos explorados.
   Finalmente, um Agente de Remediação gera um resumo estruturado do incidente e três recomendações de ação estratificadas (imediata, permanente, preventiva).

3. Estrutura de Avaliação: SURE-Score

Reconhecendo que as métricas de NLG padrão não capturam a qualidade de RCA, os autores introduzem o SURE-Score (Score de Sumarização de Recomendação), uma estrutura de avaliação guiada por humanos desenvolvida em conjunto com SREs da indústria. Ele avalia os relatórios em quatro dimensões:

1. Fundamentação de Evidências: O raciocínio deve ser suportado por telemetria concreta (logs, métricas, traços).
2. Viabilidade Operacional: As recomendações devem ser concretas e implementáveis.
3. Precisão Diagnóstica: Requer identificadores específicos de serviço/pod e métricas quantitativas.
4. Lógica de Triagem: A narrativa deve seguir um fluxo profissional, dos sintomas à causa raiz.

A avaliação envolve tanto a graduação por dual-LLM (usando modelos diferentes para evitar o viés de auto-preferência) quanto a avaliação humana independente por SREs.

4. Resultados Experimentais

O GALA+ foi avaliado em dois benchmarks de microsserviços: OnlineBoutique (17 serviços) e TrainTicket (69 serviços), com uma avaliação adicional no benchmark AegisLab.

• Ranking de Causa Raiz (RQ1): O GALA+ alcançou a maior precisão em todos os datasets. No OnlineBoutique, atingiu 74,44% de AC@1 (vs. 48,35% para o melhor baseline de LLM, Flow-of-Action). No TrainTicket, atingiu 73,33% de AC@1 (vs. 47,78%). Isso representa uma melhoria de mais de 25 pontos percentuais sobre o baseline de LLM mais forte. A melhoria foi estatisticamente significativa ($p < 0,001$).
• Sumarização de Incidentes (RQ2): Sob o SURE-Score, o GALA+ superou consistentemente todos os baselines em todas as quatro dimensões. Enquanto as métricas tradicionais (BERTScore, ROUGE) mostraram pouca diferenciação, o SURE-Score destacou a superioridade de viabilidade operacional e precisão diagnóstica do GALA+. As avaliações humanas de SRE confirmaram esses rankings.
• Estudos de Ablação (RQ3): A remoção do STRIX ou da fase de Investigação Guiada por Grafo degradou significamente o desempenho, confirmando que tanto a consciência da estrutura de traços quanto o raciocínio agêntico limitado são críticos.
• Seleção de LLM (RQ4): O GALA+ performa bem em vários LLMs. Modelos de código aberto como llama-4-maverick e Qwen3-80B alcançaram precisão de nível superior a uma fração do custo dos modelos proprietários.
• Sensibilidade de Parâmetros (RQ5): A estrutura é robusta através de uma gama de ramos paralelos ($k$), limiares de poda ($\theta$) e tamanhos de lote ($b$).

5. Principais Contribuições

1. Geração de Hipótese de Sinal Duplo: Um mecanismo que funde o ranking causal baseado em métricas com o STRIX, um novo módulo de pontuação consciente da estrutura de grafos e traços, para produzir um conjunto de candidatos unificado.
2. Investigação Agêntica Guiada por Grafo: Uma estrutura de investigação paralela limitada pela topologia, onde agentes seguem arestas de propagação de falhas com expansão baseada em confiança e profundidade limitada, reduzindo o espaço de busca enquanto preserva a completude diagnóstica.
3. Resposta a Incidentes e Avaliação: Um pipeline que produz diagnósticos ranqueados, sumários estruturados e recomendações de ação estratificadas, avaliados via SURE-Score, uma estrutura guiada por humanos que supera as métricas convencionais de similaridade de texto.

6. Significância e Alegações

O artigo afirma que o GALA+ aborda as limitações dos métodos de RCA existentes ao restringir o raciocínio agêntico ao grafo de dependência de serviços, evitando assim alucinações e excesso de overhead de busca. Os resultados demonstram que o raciocínio limitado pela topologia é uma alternativa promissora à exploração agêntica sem restrições em domínios com estruturas relacionais ricas.

Os autores observam modestamente que, embora o GALA+ melhore significativamente a precisão diagnóstica e a utilidade operacional, a Fundamentação de Evidências continua sendo um desafio para os métodos atuais baseados em LLM, pois os avaliadores notaram que os LLMs frequentemente parafraseiam a telemetria em vez de citá-la literalmente. O trabalho sugere que combinar a geração de hipóteses estatísticas com o raciocínio de LLM guiado por grafos oferece um caminho robusto para a resposta a incidentes automatizada e acionável em microsserviços.