마이크로 서비스의 다중 모드 근본 원인 분석을 위한 하이퍼 그래프 및 잠재 ODE 학습

Hypergraph and Latent ODE Learning for Multimodal Root Cause Localization in Microservices

클라우드 네이티브 마이크로 서비스 시스템에서 근본 원인 분석은 복잡한 서비스 의존성, 불규칙한 시간적 동역, 그리고 이질적인 관측 데이터 모델링을 필요로 합니다. 본 논문에서는 하이퍼 그래프 어텐션 학습, 잠재 오차 동역 방정식, 그리고 다중 모드 크로스 어텐션 퓨전을 결합하여 세밀한 근본 원인 분석을 수행하는 통합 프레임워크인 HyperODE RCA를 제시합니다. 제안하는 방법은 미분 가능한 하이퍼 에지 구축을 통해 고차 서비스 상호 작용을 학습하고, ODE RNN 인코더를 사용하여 불규칙한 관측으로부터 연속적인 이상 현상 변화를 포착하며, 컨텍스트 인식 모달리티 라우팅을 사용하여 로그, 트레이스, 메트릭, 엔티티 및 이벤트를 적응적으로 융합합니다. 또한, 변분 정보 병목 현상, 시간적 인과 관계 정규화, 그리고 불변 위험 제약을 통해 견고성을 향상시킵니다. Tianchi AIOps 벤치마크에서의 실험 결과는 제안하는 방법이 강력한 기존 방법들을 능가하는 성능 향상을 보였으며, 동시에 학습된 하이퍼 그래프 어텐션을 통해 해석 가능성을 유지했습니다.

Root cause localization in cloud native microservice systems requires modeling complex service dependencies, irregular temporal dynamics, and heterogeneous observability data. We present HyperODE RCA, a unified framework that combines hypergraph attention learning, latent ordinary differential equations, and multimodal cross attention fusion for fine grained root cause analysis. The method learns higher order service interactions through differentiable hyperedge construction, captures continuous anomaly evolution from irregular observations with an ODE RNN encoder, and adaptively fuses logs, traces, metrics, entities, and events using context aware modality routing. We further improve robustness with a variational information bottleneck, temporal causal regularization, and invariant risk constraints. Experiments on the Tianchi AIOps benchmark show clear gains over strong baselines in ranking and classification performance, while preserving interpretability through learned hypergraph attention.