في عالم التكنولوجيا اليوم، تتزايد حوادث نظم إدارة الحاويات مثل Kubernetes، وأصبح من الضروري تحديد الأسباب الجذرية (Root Cause Analysis) لهذه الحوادث بشكل دقيق وموثوق. توصلنا إلى نظام تحليل جذور المشكلات القائم على الرسوم البيانية (Graph-Guided RCA)، حيث يعتمد هذا النظام على دمج تقنيات التفكير المعتمدة على نماذج اللغات الضخمة (Large Language Models) مع أدوات متخصصة.

يعمل النظام من خلال دليل بيانات مصنف؛ حيث يقارب التحقق من البيانات والتحليل بواسطة مجموعة من العمليات التي تمنع الاستخدام المفرط للنصوص الدليلية المبنية على سيناريوهات محددة. وهذا يعني أن الأسلوب المستخدم هنا يعتمد على الأدلة الفعلية المستمدة من الحادث بدلاً من الاعتماد على تقنيات مبسطة أو اختصارات.

في التجارب التي أجريناها باستخدام مجموعة بيانات ITBench، أظهر النظام تحسينًا ملحوظًا في دقة تحديد الأسباب الجذرية، حيث ارتفع معدل F1 من 0.6087 إلى 0.9130 على مجموعة تضم 23 سيناريو. كما أننا قدمنا تحليلاً دقيقًا لإعداد النموذج، مع تفريق الزيادات الناتجة عن تحسين الأداء مقابل تلك التي تعتمد على النصوص الدليلية الخاصة بالسيناريوهات.

يعد استخدام التحقق الخفيف والذي يشمل مقارنة القضاة والاختبارات المحددة إحدى الابتكارات التي تعزز ثقة النتائج حيث تصنف المطالبات إلى مدعومة، قيد الانتظار، أو خارج نطاق الدراسة. وقد تم تنفيذ اختبارات تجريبية في الحقول النشطة، مع ملاحظة أن توفر حالة الإنذار والرصد لم يكن مستقرًا كفايةً لقياس الأداء بشكل دقيق.

ختامًا، يمثل هذا الابتكار خطوة كبيرة نحو تحسين استجابة نظم Kubernetes، مما يعزز من موثوقيتها ويقلل من الوقت اللازم لإصلاح الأخطاء. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!