مع تزايد تعقيد أنظمة الميكروسيرفس (Microservices) نتيجة للتفاعلات الديناميكية والبيئات التشغيلية المتطورة، أصبحت هذه الأنظمة تواجه مشاكل الفشل بشكل متزايد. وهذا يجعل ضمان موثوقية النظام أمراً حاسماً يعتمد على القدرة الدقيقة لتحديد الأسباب الجذرية (Root Cause Localization).

على الرغم من استكشاف العديد من الأساليب التقليدية في تعلم الآلة (Machine Learning) والتعلم العميق (Deep Learning) لهذه المهمة، فإن هذه الأساليب غالباً ما تعاني من محدودية في القابلية للتفسير (Interpretability) ونقل المعرفة بين نشرات الأنظمة (Transferability).

في الآونة الأخيرة، تم اقتراح أساليب تعتمد على نماذج اللغة الضخمة (Large Language Models) للتغلب على هذه التحديات. ومع ذلك، تظل هذه الأساليب الحالية تواجه قيوداً كبيرة، مثل انفجار السياق (Context Explosion) الذي يخفف من قوة الأدلة الهامة ويقلل من دقة تحديد الأسباب، وهياكل التفكير التسلسلي (Serial Reasoning Structures) التي تعيق استكشاف الأسباب العميق وتؤثر سلبًا على كفاءة الاستدلال.

تستعرض هذه الدراسة كيفية أداء مهندسي الاعتمادية (SREs) للإجراءات العملية لتحديد الأسباب الجذرية، وتفسر لماذا تفشل الأساليب الحالية. وبناءً على هذه النتائج، نقدم إطار عمل RCLAgent، الذي يوفر تحديد أسباب جذري معمق من خلال استغلال تقنية الاستدلال المتوازي عبر وكلاء متخصصين يسهم كل منهم في عملية التشخيص. يقوم RCLAgent بتفكيك عملية التشخيص عبر رسم التتبع (Trace Graph) من خلال تخصيص كل جزء لوكيل متخصص وتنظيمهم بشكل تكراري ومتوازي وفقاً لتوبولوجيا الرسم، ويستخدم التقرير النهائي للتشخيص الجذري مع الرسم البياني العالمي للأدلة.

تظهر التجارب الواسعة التي أُجريت على العديد من المؤشرات العامة أن RCLAgent يتفوق باستمرار على أحدث الأساليب المتاحة فيما يتعلق بدقة تحديد الأسباب وكفاءة الاستدلال، مما يؤدي إلى تعزيز الموثوقية العامة للأنظمة الميكروسيرفسية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!