[論文レビュー] Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops

Karim ASSAAD, Imad Ez-zejjari+1 more|arXiv (Cornell University)|Mar 7, 2023

Time Series Analysis and Forecasting被引用数 4

ひとこと要約

本稿では、巡回的要約因果グラフ（ASCGL）と観測データを用いて、多次元時系列における集団的異常の原因を特定する手法であるEasyRCAを提案する。d-分離を用いて問題を独立した部分問題に分解し、グラフベースの推論と新しい調整集合を用いた直接効果比較を組み合わせることで、シミュレート済みおよび実際のIT監視データにおいてF1スコアが1.0に達する高い性能を達成した。

ABSTRACT

This paper presents an approach for identifying the root causes of collective anomalies given observational time series and an acyclic summary causal graph which depicts an abstraction of causal relations present in a dynamic system at its normal regime. The paper first shows how the problem of root cause identification can be divided into many independent subproblems by grouping related anomalies using d-separation. Further, it shows how, under this setting, some root causes can be found directly from the graph and from the time of appearance of anomalies. Finally, it shows, how the rest of the root causes can be found by comparing direct effects in the normal and in the anomalous regime. To this end, an adjustment set for identifying direct effects is introduced. Extensive experiments conducted on both simulated and real-world datasets demonstrate the effectiveness of the proposed method.

研究の動機と目的

• 異常データが乏しく、因果発見が現実的でない多次元時系列における原因特定の課題に対処すること。
• 大規模な異常データセットを必要とし、時間的圧力下での専門家による検証を要する因果発見手法の限界を克服すること。
• 動的システムの正常状態を表す、事前に検証済みの巡回的要約因果グラフ（ASCGL）を活用すること。
• 因果発見を推論時に行わず、観測時系列データと因果構造を用いてスケーラブルで効率的な原因特定手法を開発すること。
• 構造的推論と直接効果の統計的比較を組み合わせることで、原因特定における適合率と再現率のバランスを図ること。

提案手法

• d-分離を用いて関連する異常を独立した部分問題にグループ化し、モジュラーな原因特定分析を可能にする。
• 可能な限り、ASCGLと異常発生時刻から直接原因を同定する。
• 残りの原因については、正常状態と異常状態における直接効果を、新しい調整集合を用いて比較して同定する。
• 一貫性と因果的十分性の仮定の下で、構造的因果モデル（SCM）を用いて問題を形式化する。
• 手法のロバストネスとパフォーマンスを評価するために、シミュレーションで構造的介入とパラメトリック介入を適用する。
• 中間的な抽象化として窓因果グラフを用い、それが自己ループを含む巡回的であると仮定した要約因果グラフを導出する。

実験結果

リサーチクエスチョン

• RQ1 要約因果グラフにおけるd-分離を用いて、集団的異常原因特定を独立した部分問題に分解できるか。
• RQ2 グラフ構造と異常発生時刻から、どの程度原因を直接同定できるか。
• RQ3 提案された調整集合は、構造的およびパラメトリック介入下で、原因同定のための直接効果を同定するためにどの程度有効か。
• RQ4 実世界のIT監視データ（既知の真の原因あり）において、本手法はどの程度のパフォーマンスを示すか。
• RQ5 最先端手法と比較して、原因特定における偽陽性と偽陰性のトレードオフはいかなるものか。

主な発見

• シミュレート済みデータにおいて、EasyRCAは異常サイズ2000の条件下でF1スコア1.0を達成し、構造的介入の検出において完璧な性能を示した。
• EasyRCA ∗も同様のデータでF1スコア1.0を達成し、ASCGLにわずかな誤差がある場合でもロバストであることを示した。
• パラメトリック介入の条件下では、EasyRCAおよびEasyRCA ∗はWhyMDC、MicroCause、CloudRangerを上回り、性能差が顕著に現れた。
• 実世界のIT監視データでは、EasyRCAはPMDBとESBを正しく原因として同定し、専門家による診断と一致し、MicroCauseやCloudRangerを上回った。
• 本手法は偽陽性と偽陰性のトレードオフにおいて最高のバランスを達成した。PMDBは原因頂点として同定され、RTMBとESBは構造的介入として同定された。
• WhyMDCおよびMicroCauseは原因頂点の同定は可能であったが、EasyRCAほど構造的介入を効果的に同定できなかった。