Aperçu
Nous travaillons toujours sur cette fonctionnalité, mais nous aimerions que vous l'essayiez !
Cette fonctionnalité est actuellement fournie dans le cadre d'un programme d'aperçu conformément à nos politiques de pré-sortie.
Trouver les bonnes traces n'est que la moitié du problème — comprendre pourquoi ces traces échouent est l'autre moitié. Sans analyse automatisée, le diagnostic de la cause racine nécessite de comparer manuellement les attributs de span sur des centaines de traces, de créer des requêtes complexes et de formuler des hypothèses par tâtonnement.
Attribute Correlation Analysis (ACA) automatise ce processus. Il compare statistiquement les traces anormales identifiées par Intelligent Exemplar à une base de référence saine de la même fenêtre de temps, fait ressortir les paires attribut-valeur qui différencient le plus fortement les deux groupes, et présente les résultats sous forme de résumé d’IA en langage clair avec un score de confiance. Le résultat est un point de départ dirigé pour la remédiation, et non un vidage de données brutes à interpréter.
Comment fonctionne ACA
ACA s'exécute sur l'ensemble de traces de valeurs hors norme produit par Intelligent Exemplar. Il ne fonctionne pas sur des requêtes de trace arbitraires — il nécessite une investigation Intelligent Exemplar active en entrée.
Groupe cible vs groupe de base de référence
ACA construit deux groupes à partir de vos données de trace pour la fenêtre de temps sélectionnée :
- Traces cibles (valeurs hors norme): les traces anormales identifiées par Intelligent Exemplar — celles présentant une latence élevée ou un nombre d’erreurs élevé par rapport au comportement de la base de référence.
- Traces de base de référence: traces saines et non anormales de la même entité et de la même fenêtre de temps qui représentent un comportement normal.
Comparaison statistique
ACA compare les distributions des valeurs d’attribut entre les deux groupes. Les attributs qui apparaissent de manière disproportionnée dans le groupe cible — par exemple, une version de déploiement spécifique, un hôte, une région géographique ou un segment de clients — sont présentés comme corrélés à l’anomalie. Chaque attribut se voit attribuer un score de probabilité qui indique dans quelle mesure il différencie le groupe de valeurs hors norme de la base de référence.
Synthèse de l'IA
Un modèle d’IA synthétise les signaux statistiques en une explication en langage clair, nommant le principal coupable et expliquant pourquoi il est impliqué. Par exemple : « Le pic de latence dans Payment Service est principalement dû aux requests gérées par entity-status-daemon dans l’environnement de production exécutant la sortie-953, ce qui représente 78 % des traces de valeurs hors norme. »
Prudence
ACA fournit une corrélation statistique, et non une causalité garantie. Vérifiez toujours les informations détaillées générées par l'IA par rapport à vos données réelles avant de prendre des mesures. Examinez et testez minutieusement toutes les modifications de code ou les étapes de remédiation avant de les déployer.
Exigences
- Intelligent Exemplar doit d’abord être initié. ACA opère sur l’ensemble de traces de valeurs hors norme qu’il produit — vous ne pouvez pas exécuter ACA indépendamment.
- Le tracing distribué doit être activé pour vos services. Voir Introduction au tracing distribué.
- New Relic L'IA doit être activée sur votre compte pour générer des résumés d'IA.
Important
Tarification : La génération de résumés par l'IA entraîne des frais supplémentaires en fonction de votre utilisation de New Relic AI. Assurez-vous de comprendre les implications tarifaires avant d'exécuter ACA. Pour plus de détails, consultez la tarification de l'utilisation de l'IA de votre compte.
Exécuter l’analyse de corrélation d’attributs
ACA est initié depuis la page d’accueil Intelligent Exemplar après qu’une investigation est en cours.
- Terminez une investigation Intelligent Exemplar pour atteindre la page de destination avec une liste de traces de valeurs hors norme.
- Sur la page d'accueil, sélectionnez Analyze patterns & attributes.
- ACA s’exécute automatiquement sur l’ensemble de traces de valeurs hors norme. Les résultats apparaissent dans la même vue.
Examiner les résultats de l'ACA
ACA les résultats se composent de trois éléments : le résumé généré par l'IA, la référence croisée des modèles détectés et les graphiques de distribution des attributs.
Résumé généré par l’IA
Le résumé de l’IA nomme les paires attribut-valeur spécifiques à l’origine de l’anomalie et montre quels modèles détectés restent actifs pour référence croisée.
Le panneau de résumé identifie le principal moteur de l'anomalie en langage clair. Il nomme les paires attribut-valeur spécifiques — telles qu'une version de déploiement, un tag d'environnement, un hôte ou un ID de compte clients — qui apparaissent de manière disproportionnée dans les traces de valeurs hors norme.
Chaque attribut nommé dans le résumé est un filtre cliquable. Le sélectionner réduit la liste des traces de valeurs hors norme aux traces qui correspondent à cette valeur d'attribut, vous permettant d'approfondir ou de vérifier le résultat.
Conseil
Commencez votre remédiation à partir des attributs nommés dans le résumé de l'IA plutôt que de travailler à rebours à partir des données de span brutes. Le résumé identifie les variables à signal le plus élevé — celles qui sont statistiquement les plus surreprésentées dans les traces anormales par rapport à la base de référence saine.
Référence croisée des modèles détectés
Les modèles détectés par Intelligent Exemplar restent visibles pendant les résultats de ACA. Utilisez-les pour recouper et corroborer le résumé de l’IA :
- Si ACA cite un service en aval comme principal coupable et que le modèle Downstream latency ou Downstream errors est actif, les deux signaux concordent — confiance élevée.
- Si ACA cite un attribut d'entité focal mais que le modèle Downstream latency est actif, il peut y avoir plusieurs facteurs contributifs. Explorez les graphiques d’attributs pour obtenir des signaux supplémentaires.
Graphiques de distribution des attributs
Chaque graphique d’attribut montre la distribution des valeurs dans le groupe de valeurs hors norme par rapport à la base de référence, ce qui permet de repérer facilement les attributs qui sont biaisés vers les traces anormales.
Sous le résumé de l'IA, ACA affiche des graphiques à barres pour chaque attribut qu'il a évalué. Chaque graphique montre la distribution de fréquence des valeurs d'attribut dans le groupe de la valeur hors norme (cible) par rapport au groupe de la base de référence.
Utilisez les graphiques d'attributs pour :
- Validez le résumé de l'IA: confirmez que l'attribut nommé apparaît de manière disproportionnée dans la barre de valeur hors norme par rapport à la barre de base de référence.
- Explorer les causes secondaires: recherchez d'autres attributs présentant des écarts de distribution importants que le résumé de l'IA n'a peut-être pas fait ressortir comme moteur principal. Un pic peut avoir plusieurs facteurs contributifs.
- Identifier le rayon d'impact: les graphiques d'attributs pour des dimensions telles que
customer.id,aws.regionoudeployment.environmentrévèlent quels segments d'utilisateurs, régions ou environnements sont affectés et peuvent être utilisés pour évaluer l'impact de l'incident.
Interpréter les scores de confiance
Chaque attribut mis en évidence par ACA se voit attribuer un score de probabilité indiquant à quel point il différencie le groupe de valeurs hors norme de la base de référence.
- Les scores élevés (environ 70 % et plus) indiquent que la valeur de l’attribut apparaît dans une proportion significativement plus grande de traces de valeurs hors norme que de traces de base de référence. Ce sont de solides candidats pour la cause première.
- Des scores modérés (de 40 à 70 %) indiquent une corrélation significative mais moins définitive. Mérite d'être examiné, surtout si corroboré par un modèle détecté.
- Les scores faibles (en dessous de 40 %) indiquent que l’attribut n’apparaît que marginalement plus souvent dans les traces de valeurs hors norme. L’anomalie peut avoir de multiples facteurs contributifs, ou le volume de traces peut être insuffisant pour une différenciation statistique fiable.
Prudence
Des scores faibles pour tous les attributs ne signifient pas que l’investigation n’est pas concluante — ils peuvent indiquer que le pic a de multiples variables contributives plutôt qu’une seule cause dominante, ou que le volume de traces dans la fenêtre sélectionnée est trop faible pour des résultats de haute confiance. Dans ces cas, élargissez la fenêtre de temps ou consultez les données de corrélation en aval de Intelligent Exemplar.
Et ensuite ?
- Accéder au span défaillant: utilisez le filtre d’attribut dans le résumé d’IA pour restreindre la liste de traces de valeurs hors norme, puis sélectionnez une trace pour atterrir directement sur le span anormal.
- Corréler avec un déploiement: si ACA cite une version de déploiement, recoupez-la avec le suivi des changements pour voir ce qui a été déployé à ce moment-là.
- Gérer le volume de traces: consultez Contrôler l'ingestion des données de tracing distribué pour gérer les coûts d'ingestion de traces après un incident.
- Ajuster l’échantillonnage: consultez Configurer l’échantillonnage pour augmenter la couverture des traces pour le service ou la transaction affectés.