bw西汉姆联两篇论文被软件工程领域CCF A类国际会议
FSE 2026录用

近日，bw西汉姆联智能运维实验室的两篇研究论文成功被软件工程领域的CCF A类国际顶级会议——ACM International Conference on the Foundations of Software Engineering (FSE) 2026 录用。该会议将于2026年7月5日至9日在加拿大蒙特利尔举办。以下是两篇论文的简介：

论文1：Aloha: Localizing Batch Failures in Large-scale Cloud Systems via Contrast Analysis and Human-in-the-Loop Agent

作者：张圣林，吴雨珈，任竞寰，孙永谦*，辜文蔚，张朝运，李立群，林庆维，Dongmei Zhang，Saravan Rajmohan，Chetan Bansal，马明华

作者单位：bw西汉姆联、微软

摘要

大规模云系统构成了现代计算的基础设施，由大量异构组件协同运行，为全球用户提供关键服务。单个故障（如服务中断或配置错误）即可同时影响成千上万的用户。这类大规模故障通常被称为批量故障，其特征是在短时间窗口内，同一主体下大量实例同时受到影响，且通常源于共享的根因。

高效处理此类故障依赖于异常定位，然而现有方法对工程师的支持仍然有限，使得该过程耗时且认知负担较重。为此，我们提出 Aloha，一种基于对比分析的人机协同智能体框架，用于异常定位。

Aloha 将批量故障处理的完整流程进行系统化落地，为工程师提供面向场景理解、数据准备与诊断决策的引导，并输出可解释的根因模式。在微软云平台真实批量故障案例上的试点结果表明，Aloha 能够简化数据处理流程，支持基于对比的异常定位，并显著提升批量故障定位方法的可用性与实践性，为构建以人为中心、具备可扩展性的故障管理体系迈出了重要一步。

背景与挑战

图 1：云系统中批量故障的示例。两个数据中心承载多个集群（如PrdC01–PrdC04），每个集群包含若干节点，为终端用户提供服务。当 某个集群（如PrdC01）发生故障时，异常会传播至其下属节点（Node01–Node02），从而引发大规模服务中断，并触发聚合告警。这一过程典型地展示了批量故障在云环境中的形成方式。

大规模云系统承载关键服务，单个故障（如配置错误或基础设施异常）即可在短时间内影响大量实例，形成批量故障。此类故障通常源于共享根因，其高效处理依赖于从大量异常实例中快速定位关键组件或配置。

尽管基于对比分析的方法在异常定位中展现出潜力，但在实际运维中仍面临三方面挑战：

1.场景理解困难： 原始数据来源多样且语义异构，工程师需判断是否构成批量故障并完成数据映射，认知成本高。

2.数据质量不可靠： 表格化过程中常存在标签不清、属性不合理或缺失值等问题，而现有方法缺乏对数据准备的指导。

3.诊断策略难以适配： 异常定位依赖目标函数与参数配置，但现有工作对策略选择支持有限，需人工反复调优。

核心方法与系统架构

图 2：Aloha 在面对输入告警时的整体工作流程。

Aloha 框架采用三阶段架构：

•场景确认阶段：判断当前故障是否属于批量故障，并分析其是否满足对比分析的适用条件，同时指导原始数据向结构化表示的映射过程。

•数据校验阶段：对结构化数据进行一致性与语义完整性检查，识别潜在的数据问题并确保其满足异常定位的输入要求。

•异常定位阶段：基于对比分析执行模式搜索，定位潜在根因，并生成可解释的诊断结果。

整个流程均采用人机协同机制，在关键决策点引导工程师参与，以降低认知负担并提升诊断可靠性。

Aloha 框架的主要模块包括：

1.适用性判定协议：用于系统化判断批量故障场景及方法适用性。

2.语义与可执行校验工具：用于数据结构化验证与可执行性检查。

3.基于检索增强的策略选择：用于推荐异常定位的目标函数与搜索策略。

实验验证与部署成效

表 1：根因定位准确率对比

我们在微软云服务系统中部署了 Aloha 的概念验证版本，并在真实批量故障案例上进行了验证。与人工诊断流程及现有方法 CONAN 对比，结果表明 Aloha 在异常定位中具有较高准确性，在 93.7% 的案例中能够在 Top 5 推荐结果中覆盖真实根因。

此外，工程师反馈显示 Aloha 将单个故障案例的处理时间由约 10 小时显著降低至约半小时，大幅提升了诊断效率并降低了运维负担。

研究意义与展望

本研究初步表明，Aloha 通过引入人机协同与基于对比分析的异常定位框架，有助于提升批量故障诊断的效率，并为工程师提供更结构化的分析过程。实践反馈显示，该框架能够在一定程度上降低诊断过程中的认知负担。

未来，我们将进一步扩大验证范围并开展更系统的定量评估，同时持续改进系统的鲁棒性与人机协同机制，以提升其在复杂实际场景中的稳定性与适用性。

论文2：Bridging the Delay: Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis

作者：张圣林，匡俊骅，张一萌，夏思博，冯金涛，王静宇，辜文蔚，孙永谦*，李伟，张瓅玶，裴丹

作者单位：bw西汉姆联、阿里巴巴、清华大学

摘要

微服务架构已成为现代互联网与云服务系统的核心支撑。然而，随着服务数量不断增长、依赖关系日益复杂，局部故障极易沿调用链逐步扩散，演化为大范围级联异常。高效开展根因定位是保障系统稳定运行和用户体验的关键。论文指出，在实际微服务系统中，上游故障往往不会立刻导致下游出现告警，而是会经过若干秒甚至数分钟后，才在依赖服务中逐步显现。这种具有异步性和多时滞特征的传播过程，给现有根因定位方法带来了很大挑战。

为此，论文提出了一种面向微服务根因定位的时滞感知时空因果推断框架 LagRCA。该方法能够显式建模故障在服务之间以不同时滞传播的过程，同时区分“真实因果影响”与“仅由指标同步波动带来的伪相关”，从而更准确地还原故障传播链条并定位真正根因。实验结果表明，LagRCA 在公开基准与真实工业数据集上均优于现有先进方法，并已部署于阿里巴巴生产环境，提升了故障诊断效率，减少了人工排障开销。

背景与挑战

在微服务系统中，一个上游服务的轻微性能抖动，往往会经过重试机制、消息队列缓冲、超时策略等运行机制逐步影响下游服务，不同服务出现异常的时间并不一致，而是具有明显的多时滞传播特征。论文通过案例分析指出，传统根因定位方法通常默认服务间影响是同步发生的，难以正确对齐“上游原因”与“下游症状”，从而容易削弱真正上游根因的重要性，反而将被动受影响的下游服务错误排在前列。

与此同时，微服务根因定位通常依赖两类图结构信息：一类是由调用链恢复得到的物理拓扑图，描述服务之间“谁调用谁”；另一类是由指标波动关系构建的性能相关图，描述服务之间“谁和谁变化相似”。前者结构清晰但可能遗漏隐藏依赖，后者信息丰富但容易受共同原因和噪声干扰。若直接将二者混合使用，模型很容易把“同步波动”误判为“直接因果”，从而引入虚假依赖边，误导根因定位。

因此，论文重点面向以下两项挑战展开研究：

1.如何建模动态变化的异步传播时滞：故障从上游传播至不同下游服务，通常具有异构且随场景变化的时滞，若仍采用同步或固定滞后建模，便难以正确关联原因与症状。

2.如何弥合物理拓扑与性能相关之间的差距：调用拓扑与指标共波动之间常存在不一致，仅依赖其中任意一种都不足以准确恢复真实传播路径。

图 1：微服务系统中的滞后故障传播示意图。各服务实例旁展示了对应的 KPI 时序变化。

核心方法与系统架构

针对上述问题，论文提出了 LagRCA 框架，将微服务根因定位建模为一个时滞感知的时空因果推断问题。整体上，LagRCA 由数据预处理和三个核心模块组成，形成离线训练与在线诊断相结合的工作流程。

首先，在数据预处理阶段，方法将原始多模态可观测数据转换为统一的实例级健康状态序列，为后续建模提供标准化输入。论文主要利用指标与调用链两类数据：调用链用于恢复动态服务拓扑，指标序列用于刻画各服务实例随时间变化的运行状态。

随后，在动态多时滞因果图学习模块中，LagRCA 构建一组带有不同时间滞后的因果图，用于描述“某一时刻的上游实例如何影响若干时刻之后的下游实例”。该模块进一步将因果关系分解为“离散结构”和“连续强度”两部分，从而分别表示边是否存在以及影响强弱。这样的设计能够在保留物理拓扑可解释性的同时，更灵活地适应运行时不断变化的服务交互模式，并降低性能相关带来的伪因果干扰。

在时滞感知时空表示学习模块中，方法利用所学习到的多时滞因果图作为结构先验，设计了时滞感知的时空注意力机制，将不同时间滞后的上游上下文信号与当前服务状态进行对齐与融合，使模型能够显式捕获“上游异常如何在延迟后演化为下游偏离”的传播规律。

最后，在上游调整根因推断模块中，LagRCA 不再直接依据异常分数对服务排序，而是显式扣除那些“可由上游传播解释”的异常部分，从而降低下游受害者因异常放大而被误判为根因的风险。与此同时，方法还能输出可解释的故障传播路径，帮助工程师理解故障是如何沿服务链逐步扩散的。

图 2：LagRCA 框架图

实验验证

论文在两个具有代表性的数据集上对 LagRCA 进行了系统评估：其一是来源于真实生产环境的工业级微服务数据集 D1，包含 46 个微服务实例与 146 个故障案例；其二是基于 Online Boutique 构建的公开基准数据集 D2，包含 41 个微服务实例与 161 个故障案例。实验结果表明，LagRCA 在两个数据集上的根因定位准确率均显著优于 BARO、DyCause、CauseLens、RCD、MicroCause、CausalRCA 等代表性方法。

在工业数据集 D1 上，LagRCA 的 AC@1 达到 0.667，AC@5 达到 0.858，Avg@5 达到 0.763；在公开数据集 D2 上，分别达到 0.519、0.883 和 0.681，整体表现均优于对比方法。论文分析认为，这一优势主要来自对多时滞传播的显式建模，以及对上游传播影响的有效扣除，使模型能够更稳定地优先识别真正的故障源头，而非只是异常表现更明显的下游服务。

表 1：不同方法的根因定位性能

研究意义与展望

本研究面向微服务系统中长期存在的“故障传播有延迟、因果关系易混淆”这一核心难题，提出了一个兼顾时空传播规律、因果结构学习与工业可部署性的根因定位框架。相较于将服务交互简单视为同步关系的传统方法，LagRCA 更贴合真实生产环境中故障逐步扩散、影响层层传递的实际特点，为复杂系统中的高精度根因定位提供了新的思路。

未来，相关研究可进一步拓展到更复杂的多模态诊断场景，例如纳入日志等更多观测信息，持续提升因果结构学习的鲁棒性与传播解释能力，并推动该框架在更大规模、更复杂业务场景中的应用落地。