avance
Todavía estamos trabajando en esta característica, ¡pero nos encantaría que la probaras!
Esta característica se proporciona actualmente como parte de un programa de vista previa de conformidad con nuestras políticas de prelanzamiento.
Encontrar las trazas correctas es solo la mitad del problema — entender por qué esas trazas fallan es la otra mitad. Sin un análisis automatizado, diagnosticar la causa raíz requiere comparar manualmente los atributos de span en cientos de trazas, crear consultas complejas y formular hipótesis mediante ensayo y error.
Attribute Correlation Analysis (ACA) automatiza este proceso. Compara estadísticamente las trazas anómalas identificadas por Intelligent Exemplar con una línea de base saludable de la misma ventana de tiempo, muestra los pares atributo-valor que más diferencian a los dos grupos y presenta los hallazgos como un resumen de IA en lenguaje sencillo con una puntuación de confianza. El resultado es un punto de partida dirigido para la corrección, no un volcado de datos sin procesar para interpretar.
Cómo funciona ACA
ACA se ejecuta contra el conjunto de trazas de valores atípicos producido por Intelligent Exemplar. No opera en consultas de trazas arbitrarias — requiere una investigación activa de Intelligent Exemplar como entrada.
Grupo objetivo vs. grupo de línea de base
ACA construye dos grupos a partir de sus datos de traza para el período seleccionado:
- Trazas objetivo (valores atípicos): las trazas anómalas identificadas por Intelligent Exemplar — las que exhiben alta latencia o recuentos de errores elevados en relación con el comportamiento de la línea de base.
- Trazas de línea de base: trazas saludables y no anómalas de la misma entidad y ventana de tiempo que representan un comportamiento normal.
Comparación estadística
ACA compara las distribuciones de valores de atributos en ambos grupos. Los atributos que aparecen de manera desproporcionada en el grupo objetivo —por ejemplo, una versión de despliegue específica, un host, una región geográfica o un segmento de clientes— se muestran como correlacionados con la anomalía. A cada atributo se le asigna una puntuación de probabilidad que indica con qué fuerza diferencia al grupo de valores atípicos de la línea de base.
Síntesis de IA
Un modelo de IA sintetiza las señales estadísticas en una explicación en lenguaje sencillo, nombrando al principal culpable y explicando por qué está implicado. Por ejemplo: "el pico de latencia en Payment Service es impulsado principalmente por requests manejadas por entity-status-daemon en el entorno de producción que ejecuta release-953, lo que representa el 78 % de las trazas de valor atípico."
Advertencia
ACA proporciona correlación estadística, no causalidad garantizada. Siempre verifique la información valiosa generada por IA con sus datos reales antes de tomar cualquier medida. Revise y pruebe exhaustivamente todos los cambios de código o pasos de corrección antes de desplegarlos.
Requisitos
- Intelligent Exemplar debe iniciarse primero. ACA opera en el conjunto de trazas de valores atípicos que produce — no puede ejecutar ACA de forma independiente.
- Rastreo distribuido debe estar habilitado para tus servicios. Consulta Introducción al rastreo distribuido.
- New Relic La IA debe estar habilitada en su cuenta para generar resúmenes de IA.
Importante
Precios: la generación de resúmenes de IA conlleva costos adicionales según su uso de New Relic AI. Asegúrese de comprender las implicaciones de precios antes de ejecutar ACA. Para obtener más detalles, consulte los precios de uso de IA de su cuenta.
Ejecutar análisis de correlación de atributos
ACA se inicia desde la página de inicio de Intelligent Exemplar después de que una investigación está en curso.
- Complete una investigación de Intelligent Exemplar para llegar a la página de inicio con una lista de trazas de valores atípicos.
- En la página de inicio, seleccione Analyze patterns & attributes.
- ACA se ejecuta automáticamente contra el conjunto de trazas de valores atípicos. Los resultados aparecen en la misma vista.
Revisar los resultados de ACA
ACA los resultados constan de tres componentes: el resumen generado por IA, la referencia cruzada de patrones detectados y los gráficos de distribución de atributos.
Resumen generado por IA
El resumen de IA nombra los pares atributo-valor específicos que impulsan la anomalía y muestra qué patrones detectados permanecen activos para referencia cruzada.
El panel de resumen identifica el factor principal de la anomalía en lenguaje sencillo. Nombra los pares atributo-valor específicos —como una versión de despliegue, etiqueta de entorno, host o ID de cuenta de clientes— que aparecen de manera desproporcionada en las trazas de valores atípicos.
Cada atributo nombrado en el resumen es un filtro en el que se puede hacer clic. Al seleccionarlo, se reduce la lista de trazas de valores atípicos a las trazas que coinciden con ese valor de atributo, lo que le permite profundizar o verificar el hallazgo.
Sugerencia
Comience su remediación a partir de los atributos nombrados en el resumen de IA en lugar de trabajar hacia atrás desde los datos de span sin procesar. El resumen identifica las variables de mayor señal — las que están más sobrerrepresentadas estadísticamente en las trazas anómalas en relación con la línea de base saludable.
Referencia cruzada de patrones detectados
Los patrones detectados por Intelligent Exemplar permanecen visibles durante los resultados de ACA. Úselos para cruzar referencias y corroborar el resumen de IA:
- Si ACA cita un servicio descendente como el principal culpable y el patrón Downstream latency o Downstream errors está activo, las dos señales concuerdan — alta confianza.
- Si ACA cita un atributo de entidad focal pero el patrón de Downstream latency está activo, puede haber múltiples factores contribuyentes. Explora los gráficos de atributos para obtener señales adicionales.
Gráficos de distribución de atributos
Cada gráfico de atributos muestra la distribución de valores en el grupo de valores atípicos frente a la línea de base, lo que facilita la detección de atributos que están sesgados hacia las trazas anómalas.
Debajo del resumen de IA, ACA muestra gráficos de barras para cada atributo que evaluó. Cada gráfico muestra la distribución de frecuencia de los valores del atributo en el grupo de valor atípico (objetivo) en comparación con el grupo de línea de base.
Use los gráficos de atributos para:
- Valide el resumen de IA: confirme que el atributo nombrado aparece de manera desproporcionada en la barra de valor atípico en relación con la barra de línea de base.
- Explorar causas secundarias: busque otros atributos con grandes brechas de distribución que el resumen de IA puede no haber revelado como el factor principal. Un pico puede tener múltiples factores contribuyentes.
- Identifique el radio de impacto: los gráficos de atributos para dimensiones como
customer.id,aws.regionodeployment.environmentrevelan qué segmentos de usuario, regiones o entornos se ven afectados y se pueden usar para determinar el alcance del impacto del incidente.
Interpretar las puntuaciones de confianza
A cada atributo que muestra ACA se le asigna una puntuación de probabilidad que indica con qué fuerza diferencia al grupo de valores atípicos de la línea de base.
- Puntuaciones altas (aproximadamente 70 % y superiores) indican que el valor del atributo aparece en una proporción significativamente mayor de trazas de valores atípicos que de trazas de línea de base. Estos son fuertes candidatos para la causa raíz.
- Puntuaciones moderadas (40–70 %) indican una correlación significativa pero menos definitiva. Vale la pena investigar, especialmente si está corroborado por un patrón detectado.
- Las puntuaciones bajas (por debajo del 40 %) indican que el atributo aparece solo marginalmente con mayor frecuencia en las trazas de valores atípicos. La anomalía puede tener múltiples factores contribuyentes, o el volumen de trazas puede ser insuficiente para una diferenciación estadística confiable.
Advertencia
Las puntuaciones bajas en todos los atributos no significan que la investigación no sea concluyente — pueden indicar que el pico tiene múltiples variables contribuyentes en lugar de una sola causa dominante, o que el volumen de trazas en la ventana seleccionada es demasiado bajo para obtener resultados de alta confianza. En estos casos, amplíe la ventana de tiempo o consulte los datos de correlación descendente de Intelligent Exemplar.
Que sigue
- Navegar al span fallido: use el filtro de atributos en el resumen de IA para reducir la lista de trazas de valores atípicos, luego seleccione una traza para ir directamente al span anómalo.
- Correlacionar con un despliegue: si ACA cita una versión de despliegue, crúcela con el seguimiento de cambios para ver qué se desplegó en ese momento.
- Administrar el volumen de trazas: consulte Controlar la ingesta de datos de rastreo distribuido para administrar los costos de ingesta de trazas después de un incidente.
- Ajustar el muestreo: consulta Configurar el muestreo para aumentar la cobertura de trazas para el servicio o transacción afectado.