摘要

本文介绍了一种名为PORCA的新型根因分析（RCA）框架，该框架旨在处理部分观测数据中的根因分析问题。传统的RCA方法通常假设系统数据是完全可观测的，而忽略了部分观测（如缺失节点和潜在故障）的影响，导致分析结果不可靠。PORCA框架通过引入放大评分基础的因果发现方法，有效地优化了在未观测混杂因素下的无环有向混合图，并开发了一种异质性感知的调度策略，以提供自适应样本权重。实验结果表明，PORCA框架在合成数据集和两个真实世界数据集上均表现出色，显示出其在根因分析中的有效性和优越性。

原理

PORCA框架的核心在于处理未观测混杂因素和异质性问题。首先，通过放大评分基础的因果发现方法，框架能够在存在未观测混杂因素的情况下，有效地优化无环有向混合图。这种方法通过定义一个评分函数来评估给定因果结构与观测数据的拟合程度，并通过梯度下降的方式进行优化。其次，PORCA引入了一种异质性感知的调度策略，该策略能够根据数据重建的好坏来区分不同样本的异质性，并动态调整样本权重，以减轻未观测异质性的影响。通过这两种技术的结合，PORCA能够更准确地识别系统的潜在根因。

流程

PORCA框架的工作流程主要包括三个步骤：放大评分基础的因果发现、异质性感知的调度和去混杂的根因定位。在因果发现阶段，框架优化放大结构因果模型（SCM）的参数，以揭示系统的因果结构。在调度阶段，根据优化后的SCM参数，框架计算自适应权重来调度因果发现过程。最后，在根因定位阶段，框架结合节点级异常和异常传播，通过去混杂的因果结构来识别潜在的根因。具体实施中，框架首先通过放大评分函数进行因果结构的初步学习，然后通过异质性感知的调度策略调整样本权重，最终通过去混杂的随机漫步算法定位根因。

应用

PORCA框架在多个领域具有广泛的应用前景，特别是在电信、IT运营和制造业等需要复杂系统监控和故障诊断的领域。由于其能够处理部分观测数据并识别未观测混杂因素和异质性，PORCA框架能够提供更可靠的根因分析结果，从而帮助企业减少系统故障和财务损失。此外，随着工业4.0和智能运维的发展，PORCA框架在自动化和智能化的系统监控中将发挥重要作用。