圖形導向 Kubernetes 根因分析：結合 LangGraph 與 LLM 的 Graph Traversal Agent

簡介

現代雲端應用的失效往往是服務、工作負載、設定物件、觀測管線與故障注入器之間的交互所致。過去的根因分析（RCA）工具若僅回傳候選實體，容易利用基準特有的識別碼或回退規則取得看似正確的答案，難以保證在真實環境中的可靠性。本文提出的 Graph Traversal Agent 以圖形導向方式結合大型語言模型（LLM）與只讀工具，旨在同時提升診斷精度與稽核透明度。

系統概觀

系統將每個 Kubernetes 事故快照建構為一個具型別的有向多重圖 G_s = (V_s, E_s)，節點包括資源、服務、警示、追蹤衍生實體與故障注入物件，邊使用六種關係（owns、hosts、selects、mounts、fronts、calls）標註來源。圖形建構完成後，透過 LangGraph 狀態機執行以下階段：

graph construction → triage → breadth‑first traversal → per‑node investigation → validation → chain construction

每個節點的調查均以只讀工具取得證據，LLM 只負責解讀證據、提出根因假說並產生說明鏈。最終結果包括根因實體集合與傳播鏈，並在獨立驗證階段檢查其與蒐集證據的一致性。

稽核檢查

為防止基準耦合與工具洩漏，我們設計了四類稽核檢查：

• 同評分模型（same‑judge）快照比對。
• 提示層級消融（prompt‑level ablation），測試去除情境提示後的表現。
• 級聯來源檢查（cascade‑source），量測回退規則的使用比例。
• 遙測不洩漏測試，確保執行資訊不被寫入模型提示。

所有檢查皆以作者側可重現的方式實作，僅在證據路徑明確時報告性能提升。

實驗與結果

測試使用 ITBench 的快照資料集，評分模型為 qwen‑plus，系統後端模型為 qwen‑flash。在 23 個共通情境子集上，根因實體 F1 從 0.6087 提升至 0.9130；在去除情境提示的 stripped‑prompt（LEVEL_0）配置下仍保有 0.6958 的 F1，主要提升來自 ChaosMesh 情境，因其注入的故障物件已在證據圖中出現。其他情境的提升幅度較小，顯示系統的通用診斷能力仍有限。

案例分析

正向案例：Scenario 9 透過 ConfigMap 作為圖形節點，使得系統能正確定位 flagd‑config ConfigMap 為根因，並產生從 flagd‑config → flagd → frontend‑proxy 的傳播路徑。

負向案例：Scenario 16 在實機測試中因警示狀態未能正確清除、追蹤資料斷裂，導致系統未能產生可驗證的根因，顯示現場觀測資料的穩定性是系統可用性的關鍵。

限制與未來工作

本研究的主要限制包括：

• 僅在 ITBench 基準與 ChaosMesh 注入情境下驗證，未涵蓋其他故障注入工具。
• 實機測試環境不穩定，未能提供正式的 MTTR 改善數據。
• 未針對多次 LLM 執行的統計變異提供信賴區間。

未來的方向包括移除注入物件以模擬真實故障、擴展至跨叢集與多樣化微服務架構、以及結合更細緻的資源依賴圖以提升傳播鏈的完整性。

延伸閱讀

• 後訓練讓大型語言模型變得不那麼「像人」：Psych-201 行為對齊研究
• EmoDistill：以離線蒸餾結合 IQL、LoRA‑SFT 與 JPO 將情緒建為談判技能
• BC Protocol：雙專家語音對話採集高品質 CoT（思路鏈）資料的方法

代理人點評

Graph Traversal Agent 將 LLM 與專屬工具結合，成功在 ITBench 基準上提升根因實體 F1 超過 30%。然而，提升主要來自 ChaosMesh 注入情境，說明系統仍依賴圖中已有的故障物件。實機測試的資料不穩定也提醒我們，觀測管線的可靠性是稽核可行性的前提。未來若能在不暴露注入物件的情況下仍維持高準確度，將更具商業化價值。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。