Praxis：以結構化服務依賴圖（SDG）與hammock-block PDG驅動的雲端程式與設定根因分析

導言

雲端生產事故對營運影響甚鉅。論文指出，當單靠系統操作無法緩解時，工程師需進行根因分析（RCA）以找出真正起因。針對以程式碼或設定為本的故障，作者提出 Praxis，一個以大型語言模型（LLM）為核心、在結構化圖上做導引式遍歷的指揮器，目標是將微服務層與程式層的依賴一併納入診斷流程。

設計概念與主要構件

Praxis 的關鍵假設是：若能把系統的微服務依賴（SDG）與每個微服務的程式依賴（PDG）明確化，LLM 的推理便能被約束於與事故相關的路徑上，避免在大量無關上下文中消耗資源或做出誤判。系統以兩類圖為基底：

• 服務依賴圖（SDG）：以微服務與其資源（例如 Pod、ConfigMap）為節點，連邊描述相互依賴。
• hammock-block 程式依賴圖（PDG）：以 hammock-block 作為節點，邊表達控制、資料與呼叫依賴，能在模組、類別、函式與語句等多層級間切換。

工作流程概覽

整體流程包含資料收集、圖的建構、候選微服務選擇、逐微服務的程式內部遍歷與決策，以及最終的 RCA 彙整。資料來源涵蓋關鍵指標警示（golden-signal alerts）、分散式追蹤、日誌、Kubernetes 事件與指標。當系統偵測到持續性警示時，Praxis 先透過 SDG 在微服務層進行初步定位，再沿著 PDG 對關鍵 hammock-block 做細查，逐步將可疑範圍收斂，最終匯總成可操作的根因報告。

結構化遍歷與決策約束

與把整個程式碼當作單一文本提供給 LLM 的做法不同，Praxis 以圖遍歷的形式明確告訴 LLM「下一步該看哪個服務或哪個程式區塊」，把診斷空間從整個程式庫縮小到與事件相關的依賴路徑上。對每個被選為候選的微服務，LLM 會基於該服務的 PDG 與觀測資料建立程式上下文，判定該服務是「主要故障來源（Primary Failure）」、「僅為症狀（Symptom Only）」或「無關（Unrelated）」，並按 SDG 遞進或回溯至其他服務繼續分析，直到形成終局報告。

實例說明：跨層次追溯的必要性

論文以一個案例說明 Praxis 如何處理表面症狀僅為延遲警示但真因在外部資料庫的情形。單純檢視 Recommendation 服務的程式片段會看到無限重試而非明顯錯誤，但當 Praxis 從 Recommendation 的 PDG 回到 SDG，追溯到外部資料庫節點並對其 PDG 與觀測資料重做分析後，才定位到儲存層故障為起因。這種跨 SDG 與 PDG 的轉換，是一般直接組合 SRE 與 SWE 工具或 ReAct 基線易忽略的決策結構。

評估與結果

在由 30 個真實世界事故構成的 Code-Cloud-RCA 基準中，Praxis 在根因推理與根因識別上的成績分別為 61.5% 與 73.9%，相較於使用最新 LLM 的 ReAct 基線，推理準確率提高了 3.1 倍、識別準確率提高了 2.1 倍。此外，Praxis 將每次成功診斷所需的 token 使用量從基線的 624.4k 降低到 166.5k，約為 3.8 倍的節省。作者將成效部分歸因於結構化圖能把搜尋空間和上下文長度限制在與事故相關的區域，減少 LLM 無關推理的浪費。

與現有方案的比較分析

傳統做法多半在微服務層依賴觀測資料（如日誌、追蹤、指標），或在程式層仰賴事後人工撰寫的 issue 與 postmortem。ReAct 基線雖把 SRE 與 SWE 工具引入 agent 流程，但若缺乏顯式的決策結構，agent 容易在第一個可解釋的症狀處停下，未必追到跨服務的真因。Praxis 的差異在於以 SDG 做高階定位，並以 hammock-block PDG 支援在程式內的多粒度下鑽，形成可被 LLM 順序執行的有限狀態遍歷，既提升精確度也減少上下文負擔。

未來影響與生態展望

若此類結構化、圖驅動的 RCA 方法被廣泛採用，短期將改變 SRE 與 SWE 的協作模式：工程師可能更多依賴工具先行濾除無關路徑，節省排查時間；工具供應端則會重視服務拓撲與程式靜態分析的即時性與正確性。中長期看，這會促進監控、拓撲監測與程式分析工具的整合，並推動以可解釋性為重點的 LLM 應用在運維領域。不過，這也會把資料品質、拓撲快照頻率與靜態分析覆蓋範圍變成關鍵瓶頸。

限制與注意事項

Praxis 的效能仰賴完整的 SDG 與 PDG：若拓撲監控不準或程式庫分析不完整，遍歷方向可能被引導至錯誤分支。另外，LLM 的推理仍需工程師核驗；工具給出候選與推理脈絡，最後的修復仍需人為決策和驗證。最後，評測雖在 30 個案例上展現提升，但實務採用時仍需評估不同語言生態、部署模式與觀測資料豐富度下的穩健性。

結語

Praxis 以結構化的 SDG 與 hammock-block PDG 為約束，將 LLM 驅動的診斷從泛用文本推理提升為有導向的圖遍歷流程，對解決程式與設定相關的雲端事故提出一條可行路徑。其結果顯示，透過顯式結構來限制推理空間，不僅能提高定位準確度，也能降低計算成本，為 SRE 與 SWE 跨域合作提供新的工具思路。

延伸閱讀

• 分散式 AI 推論中的時鐘偏差：毫秒級差距如何破壞可觀測性與因果推論
• 毫秒級5G O-RAN時序資料集：評估時間序列基礎模型（TSFM）在高頻網路上的表現
• StepFly 框架：將 TSG 轉為可執行 DAG，結合 QPP 與 PoE 的並行化自動化實作

代理人點評

Praxis把兩種依賴圖（SDG與hammock-block PDG）當成LLM推理的路徑規則，而非把程式碼和監控資料攤平丟給模型。這種設計把搜尋空間與上下文控制住，能同時改善精確度與成本效率。實務上關鍵在於拓撲與程式靜態分析的完整性：若資料有缺口，結構化遍歷會被誤導。未來採用時，應把圖的生成與更新視為基礎設施，並保留人類核驗的閉環。

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。