[论文解读] 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 4

一句话总结

本文提出 EasyRCA，一种利用循环总结因果图（ASCGL）和观测数据，通过 d-分离将多变量时间序列中的集体异常根因识别问题分解为独立子问题，结合基于图的推理与新颖调整集的直接效应比较，实现高 F1 分数（最高达 1.0）的根因识别方法，在模拟和真实 IT 监控数据上表现优异。

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.

研究动机与目标

• 解决在异常数据稀缺且因果发现不切实际时，多变量时间序列中根因识别的挑战。
• 克服现有因果发现方法对大规模异常数据集和时间压力下专家验证的依赖。
• 利用预先验证的、包含自环的无环总结因果图（ASCGL），表示动态系统的正常状态。
• 开发一种可扩展、高效的根因识别方法，仅依赖观测时间序列和因果结构，无需在推理时进行因果发现。
• 通过结合结构推理与直接效应的统计比较，平衡根因检测中的精确率与召回率。

提出的方法

• 利用 d-分离将相关异常分组为独立子问题，实现模块化的根因分析。
• 在可能的情况下，直接从 ASCGL 和异常出现时间识别根因。
• 对于剩余的根因，通过新颖调整集比较正常与异常状态下的直接效应以实现识别。
• 在一致性假设和因果充分性假设下，使用结构因果模型（SCMs）形式化问题。
• 在模拟中应用结构干预和参数干预，评估方法的鲁棒性与性能。
• 使用窗口因果图作为中间抽象，推导出总结因果图，该图假设为无环并带有自环以表示时间依赖性。

实验结果

研究问题

• RQ1 能否在总结因果图中利用 d-分离将集体异常根因识别问题分解为独立子问题？
• RQ2 在多大程度上可直接从图结构和异常出现时间识别根因？
• RQ3 所提出的调整集在结构干预和参数干预下，对根因推断的直接效应识别效果如何？
• RQ4 该方法在具有已知真实根因的真实世界 IT 监控数据上的表现如何？
• RQ5 与最先进方法相比，该方法在根因检测中假阳性和假阴性之间的权衡如何？

主要发现

• 在异常规模为 2000 的模拟数据上，EasyRCA 的 F1 分数达到 1.0，表明其在检测结构干预方面表现完美。
• EasyRCA ∗ 在相同数据上也实现了 F1 分数 1.0，表明其对 ASCGL 中微小误差具有鲁棒性。
• 在参数干预下，EasyRCA 和 EasyRCA ∗ 的表现优于 WhyMDC、MicroCause 和 CloudRanger，且性能差距更为显著。
• 在真实世界 IT 监控数据中，EasyRCA 正确识别出 PMDB 和 ESB 为根因，与专家诊断一致，且优于 MicroCause 和 CloudRanger。
• 该方法在假阳性和假阴性之间实现了最佳权衡，其中 PMDB 为根顶点，RTMB 和 ESB 为结构干预。
• WhyMDC 和 MicroCause 虽能检测根顶点，但未能像 EasyRCA 那样有效识别结构干预。