在云网络里，运维数据通常是事件驱动的：某个警报触发了、某个工作流开始执行了。论文把这些事件全部转成二值时间序列（binary time series）——每个变量（比如“硬件错误”、“丢包”）在每一分钟要么是1（有该事件），要么是0（没有）。有了这样一串01序列，就可以用Granger因果性来检测：变量B是否Granger导致变量A？简单说，就是看B的历史数据能否帮助我们更好地预测A的未来。具体怎么做？论文用了逻辑回归（Logistic Regression）。对每一对变量（A, B），先建一个只用A自身历史预测A的“受限模型”，再建一个同时用A和B历史预测A的“非受限模型”。然后比较两个模型的拟合优度，如果增加B后预测能力显著提升（通过似然比检验，p值小于0.05），就认为B Granger导致A，添加一条从B指向A的有向边。但成对分析会误把间接关系当成直接关系——比如C→B→A，如果只看C和A，可能也会出现Granger因果，但我们希望识别出真正的因果路径。所以论文又加入了条件独立性检验：如果已知B的历史后，C的历史与A独立，那就说明C通过B间接影响A，因果图应该是C→B→A，而不是C→A。这样反复检验，逐步精炼，最终得到一个有向图（可能带环，因为真实系统中存在反馈延迟）。注意，这个方法只用了“异常区间”的数据，没有用到“正常”基线。这在云网络中很实用，因为正常数据太海量了，反而噪声大。只分析异常时刻，更集中。
时空分组与本体化解耦策略
直接对几千个变量两两做Granger检验？计算量太大！AWS团队想出了两个妙招来压缩空间：自动化本体（Automation Ontology）和时空分组（Spatiotemporal Grouping）。“本体”就是把网络运维中的各种信号分类：观察量（指标、链路追踪、日志）、故障、风险、动作。然后定义它们之间的可能因果关系。比如“故障”可以级联到其他故障，“动作”可以修复或引入故障。论文根据这个本体，把800多种警报和10000多种工作流步骤归为14个故障类别、11个动作类别。再加上网络分层信息（185个网络层），最终变量数从天文数字降到4810个（185层 x (14+1+11)）。“时空分组”则是在每个事件发生时，只收集受影响位置周围X跳以内、Y分钟以内的所有信号。这样就把一次根因分析限制在一个局部子图中，而不是在整个网络图上搜索。论文从六个月的事件数据中提取了25474个事件片段，经过本体映射后，只得到76595对变量进行成对分析——相比四千万对，足足减少了三个数量级！下图展示了本体中各要素的关系：图1：自动化本体——观察量（指标、链路追踪、日志）确定风险和故障。风险可转化为故障，故障可产生风险。动作可修复或引起故障和风险。
[1] F. Chraim, D. Janzing, J. Evans. "Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks." arXiv:2606.13532v1, 2026.[2] C. W. J. Granger. "Investigating causal relations by econometric models and cross-spectral methods." Econometrica, 1969.[3] J. Peters, D. Janzing, B. Schölkopf. "Elements of Causal Inference – Foundations and Learning Algorithms." MIT Press, 2017.
