EvoCause：利用LLM引导因果图演化进行根因分析

EvoCause是一个利用大语言模型（LLM）引导因果图演化以进行根因分析（RCA）的系统。它根据专家标签，使用LLM提出语义上合理的图编辑，并用确定性代码验证节点身份和无环性，在标注对齐集上保留最佳图。在合成数据上，相较PC基线，Node F1、Case EM和Graph F1分别提升11.59、9.40和4.59个百分点，nSHD降低0.2379。同时发布TeleRCA基准，包含485,681个告警事件。

传统RCA学习到的因果图是固定的，无法利用历史专家诊断信息。EvoCause通过LLM引入专家知识改进图结构，提升诊断准确性，且推理时无需LLM调用，保持透明和高效。这为运维智能化提供了新思路。

EvoCause利用LLM的语义理解能力提出候选图编辑，以符合专家对告警源节点的约束。确定性代码验证编辑的合法性（如节点身份、无环性），并在标注数据集上评估保留最优图。测试时仅使用精炼后的图进行预测，避免LLM开销。告警名称（可读性）对图精炼有贡献，匿名化会降低性能。

对于运维监控类产品，EvoCause可提升根因定位的准确率和效率，减少人工排查成本。其推理阶段不依赖LLM，可在生产环境实时部署。但需要历史专家标注数据来优化图，初期投入较大。

• 集成EvoCause到现有RCA工具中，利用历史诊断记录自动优化因果图。
• 基于TeleRCA基准开发告警名称语义增强功能，提升匿名告警场景下的诊断性能。
• 将EvoCause用于微服务或云平台的告警关联分析，减少误报和漏报。

• EvoCause在真实生产环境中的长期运行效果和稳定性如何？
• LLM提出的图编辑是否存在偏差，如何保证其安全性？
• 推断阶段的性能是否受模型规模影响？
• TeleRCA基准的适用范围是否局限于特定网络类型？