AIOps 如何做故障根因分析（RCA）

故障根因分析（Root Cause Analysis，RCA）这件事，是运维工作里最考验经验的一环。

同一个症状——"接口慢了"——可能的原因有几十种：数据库慢查询、缓存击穿、网络抖动、依赖服务故障、资源到了瓶颈、配置变更引入的问题……老工程师靠经验缩小范围，新工程师只能一个个排查。

AIOps 做 RCA，本质上就是把这套"缩小范围"的经验变成可计算的过程。

RCA 的核心，是从"现象"反推"链路"

故障现象通常是表层的——用户报错、接口超时、告警风暴。但根因往往在几层之外：

• 用户报错 → API 网关超时 → 后端服务慢 → 依赖数据库慢 → 数据库 CPU 打满 → 某个慢查询占用全部连接

要做 RCA，第一件事是把这条链路还原出来。

AIOps 在 RCA 里做的几件事

一、收集多维数据 不只是当前异常指标，还包括：

• 时间窗口内所有相关资源的指标变化
• 同时段的配置变更记录
• 调用链上下游的状态
• 日志中的异常模式

二、识别异常源头 不是所有异常都是根因——很多是被根因引发的"次生异常"。AIOps 会沿着依赖关系反向溯源，把被牵连的指标剔除，留下最可能的源头。

三、关联事件与变更 故障发生前 N 分钟内的配置变更、版本发布、规则调整——这些往往是"嫌疑最大"的根因候选。AIOps 会自动把这些事件拉进来一起考虑。

四、给出候选与置信度 最终输出不是"答案"，而是几个带置信度的候选，配上判断依据。工程师看一眼就能确认或排除。

一个典型流程

假设凌晨 3 点收到告警："订单服务响应时间从 200ms 涨到 3s"。

传统排查：值班工程师起床、连 VPN、登监控、看链路、查日志、看变更——半小时起步。

AIOps RCA：

1. 检测：异常指标识别为订单服务接口延迟突增
2. 关联：发现订单服务依赖的数据库 CPU 同时段从 30% 涨到 95%
3. 下钻：识别出数据库 CPU 上涨主要由某个 SQL 引起，该 SQL 在告警前 15 分钟首次出现
4. 关联变更：告警前 20 分钟有一次代码发布，发布内容包含该 SQL 的新增逻辑
5. 输出：根因候选 = "新发布引入的低效 SQL，建议回滚或加索引"，置信度 87%

整个过程几秒钟。

CloudQ 的 AI 云诊断怎么做

CloudQ 作为多云 AIOps 专家，AI 云诊断这条能力线就是在做 RCA：

• 数据底座：当前以腾讯云能力为核心底座做诊断（账号级自动接入），阿里云支持只读资源查询（需先配凭证）；AWS 用于架构图绘制；华为云、Azure、GCP 相关能力陆续开放中
• 基于智能顾问 TSA：腾讯云侧架构关系结构化，依赖溯源有据可查
• 对话式排障：你在企微/飞书/钉钉里直接问"为什么订单服务变慢了"，它给你一个带依据的诊断结论
• 历史可追溯：对话工作日志保留每一次诊断的过程和结论，下次类似问题可以快速参考

RCA 做得好不好，最终看一个指标：从"发现异常"到"找到根因"的时间。AIOps 在这一环的价值，就是把这段时间从"分钟级"压到"秒级"。