適切なトレースを見つけることは問題の半分にすぎません — それらのトレースがなぜ失敗しているのかを理解することがもう半分です。自動化された分析がない場合、根本原因を診断するには、何百ものトレースにわたってスパン属性を手動で比較し、複雑なクエリを構築し、試行錯誤を通じて仮説を立てる必要があります。
Attribute Correlation Analysis (ACA) このプロセスを自動化します。Intelligent Exemplarによって特定された異常なトレースを、同じ時間枠の正常なベースラインと統計的に比較し、2つのグループを最も強く区別する属性と値のペアを抽出し、その結果を信頼度スコアを伴う平易な言葉のAI要約として提示します。その結果は、解釈すべき生データのダンプではなく、修復に向けた方向性のある出発点となります。
ACAの仕組み
ACA Intelligent Exemplarによって生成された外れ値トレースセットに対して実行されます。任意のトレースクエリに対して動作するわけではありません — 入力としてアクティブなIntelligent Exemplar調査を必要とします。
ターゲットグループ対ベースライングループ
ACA 選択した時間枠のトレースデータから2つのグループを構築します：
- ターゲット（外れ値）トレース: Intelligent Exemplarによって特定された異常なトレース — ベースラインの動作と比較して高いレイテンシまたは高いエラー数を示すトレース。
- ベースライン・トレース: 正常な動作を表す、同じエンティティおよび時間枠からの、正常で異常のないトレース。
統計的比較
ACA 両方のグループ間で属性値の分布を比較します。ターゲットグループに不釣り合いに現れる属性 — 特定のデプロイメントバージョン、ホスト、地理的リージョン、顧客セグメントなど — は、異常と相関しているとして表面化されます。各属性には、外れ値グループをベースラインからどれだけ強く区別するかを示す確率スコアが割り当てられます。
AI合成
AIモデルは、統計シグナルを平易な言葉による説明に合成し、主な原因を特定して、それが関与している理由を説明します。例：「Payment Serviceのレイテンシのスパイクは、主にrelease-953を実行している本番環境のentity-status-daemonによって処理されるrequestsによって引き起こされており、これが外れ値トレースの78％を占めています。」
注意
ACA 統計的な相関関係を提供するものであり、因果関係を保証するものではありません。アクションを実行する前に、AIが生成したインサイトを実際のデータと照らし合わせて常に確認してください。コードの変更や修復手順をデプロイする前に、それらを徹底的にレビューしてテストしてください。
要件
- 最初にIntelligent Exemplarを開始する必要があります。ACAは生成された外れ値トレースセットに対して動作します — ACAを単独で実行することはできません。
- サービスでディストリビューティッド（分散）トレーシングが有効になっている必要があります。ディストリビューティッド（分散）トレーシングの概要をご覧ください。
- New Relic AIサマリーを生成するには、アカウントでAIを有効にする必要があります。
重要
価格:AIサマリーの生成には、New RelicのAI使用量に基づいて追加コストが発生します。ACAを実行する前に、価格への影響を必ず理解してください。詳細については、アカウントのAI使用量の価格設定を参照してください。
属性相関分析を実行する
ACA 調査の開始後、Intelligent Exemplarランディングページから開始されます。
- Intelligent Exemplarの調査を完了して、外れ値トレースのリストがあるランディングページに移動します。
- ランディングページで、Analyze patterns & attributesを選択します。
- ACA 外れ値トレースセットに対して自動的に実行されます。結果は同じビューに表示されます。
ACA結果を確認する
ACA 結果は3つのコンポーネントで構成されます：AIが生成したサマリー、検出されたパターンの相互参照、および属性分布チャート。
AI生成サマリー
AIサマリーは、異常を引き起こしている特定の属性・値のペアを特定し、相互参照のために、検出されたどのパターンがアクティブなままかを示します。
サマリーパネルは、異常の主な要因を平易な英語で特定します。外れ値トレースに不釣り合いに出現する特定の属性・値のペア — デプロイメントバージョン、環境タグ、ホスト、顧客アカウントIDなど — の名前を挙げます。
サマリー内の名前付き属性はそれぞれ、クリック可能なフィルターです。これを選択すると、外れ値トレースのリストがその属性値に一致するトレースに絞り込まれ、さらにドリルダウンしたり、検出結果を検証したりできます。
ヒント
生のスパンデータから逆算して作業するのではなく、AIサマリーで指定された属性から修復を開始してください。サマリーは、最もシグナルの高い変数 — 正常なベースラインと比較して、異常なトレースにおいて統計的に最も多く見られるもの — を特定します。
検出されたパターンの相互参照
Intelligent Exemplarによって検出されたパターンは、ACAの結果中も引き続き表示されます。これらを使用して、AIサマリーを相互参照し、裏付けます：
- ACAがダウンストリーム・サービスを主な原因として挙げており、Downstream latency [ダウンストリーム・レイテンシ]またはDownstream errors [ダウンストリーム・エラー]のパターンがアクティブである場合、2つのシグナルは一致しています — 高い確度。
- ACAがフォーカルエンティティ属性を挙げているにもかかわらず、Downstream latency [ダウンストリームレイテンシ]パターンがアクティブである場合、複数の要因が寄与している可能性があります。追加のシグナルについては、属性チャートを調べてください。
属性分布チャート
各属性チャートには、外れ値グループとベースラインでの値の分布が表示されるため、異常なトレースに偏っている属性を簡単に見つけることができます。
AIサマリーの下に、ACAは評価した各属性のバーチャートをレンダリングします。各チャートは、ベースライングループと比較した外れ値（ターゲット）グループの属性値の度数分布を示しています。
属性チャートを使用して次のことを行います：
- AIサマリーを検証する: 指定された属性が、ベースラインバーと比較して外れ値バーに不釣り合いに表示されていることを確認します。
- 二次的な原因を調査する: AIサマリーが主な要因として提示していない可能性のある、分布のギャップが大きい他の属性を探します。スパイクには複数の要因が影響している可能性があります。
- 影響範囲を特定する:
customer.id、aws.region、またはdeployment.environmentなどのディメンションの属性チャートは、影響を受けるユーザーセグメント、リージョン、または環境を明らかにし、インシデントの影響範囲を特定するために使用できます。
信頼度スコアを解釈する
ACAによって表面化された各属性には、外れ値グループをベースラインからどれだけ強く区別するかを示す確率スコアが割り当てられます。
- 高スコア（およそ70％以上）は、属性値がベースラインのトレースよりも外れ値のトレースにおいて、著しく高い割合で出現していることを示します。これらは根本原因の有力な候補です。
- 中程度のスコア（40～70％）は、意味はあるものの、それほど決定的ではない相関関係を示します。特に検出されたパターンによって裏付けられている場合は、調査する価値があります。
- 低いスコア（40％未満）は、属性が外れ値トレースでわずかに多く出現するだけであることを示します。異常には複数の寄与要因があるか、信頼できる統計的区別を行うにはトレース量が不十分である可能性があります。
注意
すべての属性でスコアが低いことは、調査が結論に至らないことを意味するわけではありません — スパイクには単一の支配的な原因ではなく複数の要因となる変数が存在すること、または選択したウィンドウ内のトレース量が少なすぎて信頼性の高い結果が得られないことを示している可能性があります。このような場合は、時間枠を拡大するか、Intelligent Exemplarからのダウンストリーム相関データを参照してください。
次のステップ
- 失敗したスパンへの移動: AI概要の属性フィルターを使用して外れ値トレースリストを絞り込み、トレースを選択して異常なスパンに直接移動します。
- デプロイメントとの相関: ACAがデプロイメントバージョンを引用している場合は、それをChange Tracking (変更追跡機能)と相互参照して、その時点で何がデプロイされたかを確認します。
- トレースボリュームの管理: インシデント後のトレース取り込みコストを管理するには、ディストリビューティッド（分散）トレーシングのデータ取り込みの制御を参照してください。
- サンプリングを調整する: 影響を受けるサービスまたはトランザクションのトレースカバレッジを増やすには、サンプリングの構成をご覧ください。