服務(wù)圖上錯誤最多的節(jié)點往往最像故障源。但它也可能只是流量入口把下游異常都接在了自己身上。圖神經(jīng)網(wǎng)絡(luò)能利用鄰居信息卻不能替我們補齊未采集到的依賴事實。模型會沿著什么傳播GCN 原始論文討論圖結(jié)構(gòu)上的半監(jiān)督分類。把該思路用于運維時節(jié)點特征、鄰接關(guān)系和標(biāo)簽定義都要重新設(shè)計論文任務(wù)的結(jié)果不是微服務(wù)根因準(zhǔn)確率。最常見的輸入缺口有三類采樣漏掉低頻調(diào)用異步消息沒有接成同步調(diào)用鏈以及圖版本落后于最近一次發(fā)布。沒有觀察到 A→B至少存在“確實沒有調(diào)用”和“調(diào)用存在但沒采到”兩種可能不能都編碼成確定的零。2026年10月21日的 運維 Agent 上下文評估把拓?fù)渑c變更記錄列為重要材料。借鑒它時我更關(guān)心缺失信息怎樣返回而不是把廠商實驗的分?jǐn)?shù)貼到自己的模型上。一個鄰居聚合的反例下面不是 GCN 訓(xùn)練代碼只用均值演示一件事漏邊會改變輸入到分類器之前的表示。它完全使用 Python 3 標(biāo)準(zhǔn)庫。features {A: 0.2, B: 0.8, C: 0.1, D: 1.0} def aggregate(node, outgoing): neighbors outgoing.get(node, []) values [features[node]] [features[n] for n in neighbors] return sum(values) / len(values) observed {A: [B], B: [C]} with_missing_edge_restored {A: [B], B: [C, D]} first aggregate(B, observed) second aggregate(B, with_missing_edge_restored) assert round(first, 2) 0.45 assert round(second, 3) 0.633 assert first ! second print({observed_only: first, with_extra_edge: second})這里的數(shù)值只是教學(xué)特征不是概率也不是線上異常分。實際 GCN 還有歸一化、權(quán)重與非線性不能把這個均值實現(xiàn)命名為“生產(chǎn)級 GCN”。例子的價值在于讓拓?fù)涿舾行宰兊每梢?。評測應(yīng)主動拆掉一些邊按事故與時間切分訓(xùn)練、驗證集避免同一次事故的相鄰采樣進(jìn)入兩邊。然后分別測試完整拓?fù)?、隨機漏邊、按采集器故障成片漏邊、發(fā)布后舊圖等情況。比較 Top-k 候選召回的同時記錄模型是否愿意輸出“不足以定位”。每個候選最好返回支持節(jié)點、邊的來源、圖版本及缺失范圍。若加入一條未經(jīng)核實的邊就能讓第一名劇烈翻轉(zhuǎn)應(yīng)先提高調(diào)查優(yōu)先級而不是讓 Agent 自動重啟該節(jié)點。本文沒有訓(xùn)練 GCN、調(diào)用 PyG 或復(fù)現(xiàn)生產(chǎn)定位指標(biāo)只驗證了聚合對輸入邊的敏感性。根因定位的第一層可靠性來自輸入證據(jù)模型層數(shù)再多也不能把未知關(guān)系變成已發(fā)生的調(diào)用。