Page 144 - 《软件学报》2026年第2期

王浩天 等: 扩散模型引导的根因分析 623

因变量的定位. 尽管两阶段的因果根因方法在实现根源异常定位上取得了显著的优势和进展, 其自身固有的技术
缺陷同样十分明显. 第一, 两阶段的根因分析方法设计本身包含了许多冗余且没必要的步骤. 具体来说, 根因分析
和因果发现两个任务本质上的目标不一致, 前者旨在找到被干预的变量集合, 而后者旨在识别整个因果图, 即变量
之间的边集合. 第二, 根因定位严重依赖于第 1 阶段因果发现的表现, 而到目前为止因果发现任务本身面向复杂数
据的表现稳定性和可验证性都有待提升 [13,16] .
鉴于上述的动机, 本文旨在探索不依赖因果发现的高效端到端根因分析范式. 为了实现这一目标, 本文注意到
近几年研究社区在结合多环境的干预变量识别任务中取得了一些突破 [17−20] . 其主体思想是通过构造数据的特定统
计量, 建立起统计量变化和跨环境干预之间的联系, 进而无需发现因果图直接识别干预变量. 然而, 这些已有方法
大都围绕数据变量之间全线性关系的情况来进行设计 [17,18] , 很难满足现实世界复杂系统中蕴含非线性的数据分析
需求. 为了克服这一难题, 研究者在文献 [20] 中, 围绕非线性的情况, 建立了变量得分函数和变量是否被干预之间
的关联性. 美中不足的是, 这一研究严重依赖于通过斯坦等式 [21] 来实现数据分布得分函数的估计. 鉴于核方法驱
动的斯坦估计 [22] 这一技术本身的复杂度随着样本量呈现出平方增长的趋势, 已有的非线性干预识别策略难以泛
化到具备海量样本量的复杂现实系统根因分析问题中. 为了克服上述挑战, 本文面向非线性复杂系统, 提出了一种
基于去噪扩散生成模型的根因分析策略 (diffusion-empowered root-cause analysis, DERCA). 具体来说, 本文基于训
练好的扩散去噪模型, 实现了对数据分布得分函数的高效、精准估计. 进而, 如图 2 所示, 基于估计得到的得分函
数和其二阶雅可比矩阵, 本文所提出的 DERCA 方法通过两条迭代的判定原则: (1) 判定变量在异常前/异常后数据
中得分函数一阶导方差是否为 0, 进而判定其是否为叶节点变量; (2) 判定对应叶子节点变量的跨环境得分函数一
阶导方差是否为 0, 进而判定其是否为根因变量; 来实现全部根因变量的识别和定位.

X 1 X 1
∇ log p(x) H( log p(x))
∇
得分函数 得分函数 X 3 X 3
(一阶) (二阶) X 2 X 2
叶节点定位

X 1 X 1
X 0 X 1 X t−1 X t X T
X 3 X 3
去噪扩散模型
叶节点剪枝
X 1 X 1
0 1 2 −11.0 0 3.0 3.0 3.0
1 2 2 −9.0 1 3.0 3.0 3.0 X 1 X 1
X 3 X 3
2 4 2 −5.0 2 3.0 3.0 3.0
X 2 X 2 X 3 X 3
正常数据 (干预前) 异常数据 (干预后)
根因定位
图 2 DERCA 方法框架示意图, 其中 H(·) 表示对应向量的 Hessian 矩阵

本文的主要贡献可以分为如下 3 个方面: (1) 本文通过得分函数直接建立起了变量干预和数据分布统计量之
间的关联, 提出了首个不依赖因果发现且和样本数成线性复杂度的高效根因分析框架; (2) 本文通过去噪扩散模
型, 实现了对于得分函数的高效估计. 和前面工作面向样本数的平方复杂度不同 (例如 iSCAN [20] 方法), 本文所提
出方法随样本数的线性复杂度可以支持具备海量样本的复杂系统根因分析; (3) 本文在仿真数据和真实数据上的
实验验证了所提出策略的有效性和精确性.

1 根因分析以及相关工作

本文所涉及内容主要与根因分析和干预识别有关, 下面就相关研究现状给予介绍.