Page 152 - 《软件学报》2026年第2期

王浩天 等: 扩散模型引导的根因分析 631

4 实验分析

本节首先介绍了本文着重研究的 3 个问题、实验所用的数据集和评价标准, 然后设计实验对本文的方法进行
验证并对实验结果进行分析讨论.
4.1 研究问题
为了评估所提出的扩散模型引导的根因分析策略, 即 DARCA 和其优化版本 ODRCA 的有效性和效率, 本文
的实验部分主要集中于回答下面 4 个问题.
● RQ1: 本文所提出的 DARCA 和 ODRCA 方法能否准确地识别出根因变量集合?
● RQ2: 本文所提出的 DARCA 和 ODRCA 方法是否在面向大量样本数据的真实根因分析问题上具备效率上
的明显优势?
● RQ3: 本文所提出的无需剪枝的估计策略在开放环境下的表现 (即真实根因变量集合大小未知的情况) 如何?
● RQ4: 本文所依赖的加性噪声模型是否会影响到方法在面向非加性噪声模型的表现?
4.2 实验数据集
本文主要在仿真数据和真实的故障定位分析数据上进行相关的实验验证. 仿真数据主要包含了两种常见的因
果图结构, 即 Erd˝os-Rényi (ER) 和 scale free (SF) 图结构.
仿真协议说明: 本文采用的仿真协议主要面向两种常用的 ER 和 SF 图结构, 这也是之前因果发现、根因分析
和干预文献最常用的两种图结构 [10,17,26,29] . 本文通过改变节点之间的稀疏度, 在多组仿真协议上进行了测试. 具体
的仿真协议如下.
● 干预之前 X ): 本节从 d 个节点, 具体的 SCM 如下所示:
n
(正常数据 ER (SF) 图结构中采样
∑ ( )
2
X j = sin X + N j .
i
i∈PA n
j
● 干预之后 c 0.2|d| 的节点数目做软干预, 将干预之前的 SCM 方程做了扰动:
(正常数据 X ): 本节随机选择大约
 ∑ ( )
2
 X j = sin X + N j , j未被干预

 i
 i∈PA n
 j
 .
 ∑
 ( )
 2
 X j = 4cos 2X −3X i + N j , j被干预

 i
i∈PA c
j
本节严格遵循软干预的定义, 即节点的父节点集合不变, 仅有节点的条件分布发生变化. 为了验证本节方法的
有效性, 本节对外源噪声变量 N 设置了 3 种情况.
● N 服从标准正态分布.
● N 服从均匀分布.
● N 服从拉普拉斯分布.
在仿真协议中, 样本数目被设置为 5 000; 特征维度被设置成在 [10,20,30,40,50] 之间变化. 本文汇报的实验结
果为将随机种子设置为 [5,50,500,5 000,50 000] 下测试结果的平均指标.
[1]
真实数据说明: WADI 数据集是在一个覆盖了 16 天运行过程的线上水处理云实验平台上收集得到的. 整个
WADI 的服务系统由 123 个传感器和执行器组成. WADI 对应的服务系统在前 14 天正常运行, 然而在最后 2 天,
WADI 系统遭受了攻击. 进而, 15 个系统故障在事后被相应的监测设备收集得到. SWaT 数据集是从一个水处理测
试平台收集的, 该平台由 6 个阶段 (高层实体) 组成, 拥有 51 个传感器 (低层实体). SWaT 数据集 [41] 中包含了持续
了 11 天收集到的 16 个系统故障. 并且, 6 个阶段的存在使得 SWaT 数据的收集更加多样化、数据分布更加复杂.
为了模拟开放环境下的根因分析, 即潜在的故障个数不一定知道, 本文在真实数据的实验中主要记录了各个基线
方法的 Top-K 推荐精度, 其中 K ∈ [1,3,5,7,10].
4.3 基线方法
本文用来比较验证的基线方法主要可以分为 3 类.
● 第 1 类是基于相关性的根因分析方法, 其中包括: ϵ-Diagnosis 方法 [42] , 其使用异常发生前后变量的 coefficient