# 遅延認識時空間因果推論 ## 定義 遅延認識時空間因果推論(Lag-Aware Spatio-Temporal Causal Inference)は、マイクロサービス障害の伝播が同期的ではなく**サービスごとに異なる可変時間ラグ**を伴う点を明示的にモデル化する RCA アプローチである。従来の時空間グラフニューラルネットワーク(STGNN、STGCN・Graph WaveNet・DCRNN 等)は「ノードの時刻 t での表現は同じ時刻 t の近傍ノードの表現から更新される」という同期集約(synchronous aggregation)を暗黙に仮定するが、マイクロサービスの障害伝播はリトライ機構・メッセージキューのバッファリング・タイムアウトポリシーにより上流の異常が数分後に下流へ現れることが一般的である。この設計は、各ラグ τ ごとに因果グラフ A_t^(τ) を学習し、上流原因の状態と遅延した下流症状を明示的に整列させる。(Source: [[@2026__FSE Companion__Bridging the Delay - Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis]]) 主な設計要素は 2 つに分解できる: 1. **構造とラグ強度の分離**: 呼び出しトポロジに由来する比較的安定な骨格(スケルトン M)と、時変の相互作用強度(強度 W)を分離してから A^(τ) = M^(τ) ⊙ W^(τ) として再統合する。これにより、物理的に呼び出し関係のないサービス間に生じる見かけ上の因果関係(Fake Link、共通上流による同期変動)を、構造事前分布で抑制しつつ学習データからの発見も許容する。 2. **ラグ条件付きアテンション**: 学習したマルチラグ因果グラフを構造事前分布として、時刻オフセットを表す学習可能な相対ラグ埋め込みを用いたクロスノードアテンションに注入し、上流時刻 t-τ の状態と下流時刻 t の状態を直接結び付ける。 LagRCA([[@2026__FSE Companion__Bridging the Delay - Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis]])はこのアプローチを初めて体系的に定式化し、D1 データセット(46 インスタンス、本番銀行データ)の実インシデント分析で最大伝播ラグ Δt_max が 2 分以上の非同期伝播を示すインシデントが 81.5%を占めることを定量化した。 ## 横断的知見 - 単一ソース概念のため、横断的知見は今後 2 ソース目以降の ingest で蓄積する。現時点では [[因果推論ベースRCA]] における PCTS/TCORW(MicroCause, IWQoS 2020)との対比が有望な突き合わせ軸となる。MicroCause は最大ラグ τ_max のスライディングウィンドウで時系列間の時間遅れ因果エッジを構築する PCMCI ベースの手法であり、LagRCA のマルチラグ因果グラフと同じ「時間遅れを明示的に扱う」問題意識を共有するが、MicroCause は PC 系の条件付き独立性検定に依拠するのに対し LagRCA は低ランクパラメータ化されたニューラルネットワークで A_t^(τ) を学習する点で設計が異なる(Source: [[@2026__FSE Companion__Bridging the Delay - Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis]])。 ## 未解決の問い - **同期集約仮定への依存度の定量化**: LagRCA が比較したベースライン(CauseLens・RCD・MicroCause・CausalRCA)のうちどれが実際に同期集約を仮定しているか、そしてラグ窓 K を大きくするだけで既存 STGNN 系手法がどこまで LagRCA に近づけるかは、アブレーション(c1〜c4)では直接検証されていない。既存の因果推論ベース RCA(CIRCA・RCD 等)に同様のラグ条件付きアテンションを後付けした場合の性能改善幅は未検証。 - **スケルトンと強度の分離が有効な障害種別の境界**: アブレーション c2(構造-強度分離を無効化)は D1/D2 全体で性能低下を示したが、障害カテゴリ別(CPU Anomaly・Memory Exhaustion 等)にどの分離がどの障害種別で効くかは Table 4 に示されておらず未解明。 - **本番デプロイの障害種別内訳の欠如**: Alibaba 3 ヶ月デプロイの AC@5 80%超という数値がどの障害カテゴリで高く/低いかは論文に記載がなく、実運用でのラグ分布(D1 の Table 1 に相当する数値)が本番環境で一致するかも未検証。 - **ラグ窓 K の選択と障害伝播の実際のスケール(数分〜数十分)の関係**: K≈5 が良いトレードオフとされるが、Δt_max が 6 分以上(long lag, 17.12%)のインシデントに対して K=5 の窓がどこまでカバーできるかは Figure 4 のみからは判断できない。 - **ログモダリティ非対応の影響**: LagRCA はメトリクスとトレースのみを扱い、ログを対象外としている(Sec. 2.1)。ログベース障害診断([[ログベース障害診断]])と本アプローチを統合した場合、時間ラグモデリングにどのような追加情報が加わるかは未検討。 ## 関連 - [[因果推論ベースRCA]] — 上位概念。MicroCause の PCTS(時系列因果グラフ)と本概念の設計思想的な連続性 - [[Fault Localization]] — 関連概念。箇所特定の目標は共有するがアプローチが異なる - [[根本原因分析]] — 上位概念 - [[グラフベースRCA]] — 関連概念。物理トポロジと統計的グラフの統合という共通課題を持つ - [[LagRCA]] — 本概念を実装した具体的なフレームワーク(entity) ## 出典 - [[@2026__FSE Companion__Bridging the Delay - Lag-Aware Spatio-Temporal Causal Inference for Microservice Root Cause Analysis]](Zhang et al., FSE Companion '26 — LagRCA。Dynamic Multi-Lag Causal Graph Learning + Lag-Aware Spatio-Temporal Representation Learning + Upstream-Adjusted Root Cause Inference の 3 モジュールで遅延認識時空間因果推論を初めて体系的に定式化。D1/D2 で全ベースラインを上回り、Alibaba 本番環境に 3 ヶ月間デプロイ)