GALA論文總結(jié)與關(guān)鍵部分翻譯一、文章主要內(nèi)容本文聚焦微服務(wù)系統(tǒng)中的根本原因分析（RCA）難題，提出了名為GALA（Graph-Augmented Large Language Model Agentic Workflow）的多模態(tài)框架，旨在解決傳統(tǒng)RCA方法在處理多源遙測數(shù)據(jù)（指標(biāo)、日志、追蹤數(shù)據(jù)）時存在的局限性，實現(xiàn)更精準(zhǔn)的故障定位與可落地的故障修復(fù)指導(dǎo)。1. 研究背景與問題微服務(wù)架構(gòu)因可擴(kuò)展性、可維護(hù)性等優(yōu)勢被廣泛應(yīng)用，但服務(wù)間依賴復(fù)雜，故障傳播路徑難追蹤，給RCA帶來挑戰(zhàn)。傳統(tǒng)RCA方法存在明顯不足：多基于單一數(shù)據(jù)模態(tài)或靜態(tài)啟發(fā)式規(guī)則，無法捕捉動態(tài)故障（如特定API序列觸發(fā)的內(nèi)存泄漏）；多模態(tài)方法常將異構(gòu)數(shù)據(jù)壓縮為統(tǒng)一表示，丟失模態(tài)特有關(guān)鍵信息；多數(shù)方法僅對可疑服務(wù)排序，缺乏故障解釋與修復(fù)指導(dǎo)。大語言模型（LLM）雖在復(fù)雜推理任務(wù)中展現(xiàn)潛力，但應(yīng)用于RCA時面臨多模態(tài)遙測數(shù)據(jù)處理、因果推理一致性維護(hù)、故障排序與修復(fù)指導(dǎo)兼顧的難題。2. GALA框架核心設(shè)計GALA框架包含四個關(guān)鍵階段，形成從數(shù)據(jù)輸入到故障修復(fù)指導(dǎo)輸出的完整流程：初始假設(shè)生成階段：結(jié)合基于指標(biāo)的因果推理（通過因果結(jié)構(gòu)學(xué)習(xí)算法構(gòu)建有向無環(huán)圖，利用PageRank等算法生成服務(wù)排序）與基于追蹤數(shù)據(jù)的TWIST（Trace-based Weighted Impact Scoring Thre