올바른 트레이스를 찾는 것은 문제의 절반에 불과합니다 ― 이러한 트레이스가 왜 실패하는지 이해하는 것이 나머지 절반입니다. 자동화된 분석이 없다면, 근본 원인을 진단하기 위해 수백 개의 트레이스에 걸쳐 스팬 속성을 수동으로 비교하고, 복잡한 쿼리를 작성하며, 시행착오를 통해 가설을 세워야 합니다.
Attribute Correlation Analysis (ACA) 이 프로세스를 자동화합니다. 이 기능은 Intelligent Exemplar 에서 식별한 이상 징후 트레이스를 동일한 시간대의 정상 기준과 통계적으로 비교하고, 두 그룹을 가장 강력하게 구분하는 속성-값 쌍을 표면화하며, 결과를 신뢰도 점수와 함께 일반 언어 AI 요약으로 제시합니다. 그 결과는 해석해야 할 원시 데이터 덤프가 아니라 문제 해결을 위한 직접적인 출발점입니다.
ACA 작동 원리
ACA Intelligent Exemplar이(가) 생성한 이상치 트레이스 세트에 대해 실행됩니다. 임의의 트레이스 쿼리에서 작동하지 않습니다 ― 입력으로 활성 Intelligent Exemplar 조사가 필요합니다.
타겟 그룹 대 기준 그룹
ACA 선택한 시간대의 트레이스 데이터에서 두 그룹을 구성합니다:
- 타겟(이상치) 트레이스: Intelligent Exemplar 에 의해 식별된 이상 징후 트레이스 ― 기준 동작에 비해 높은 지연시간 또는 증가된 오류 수를 나타내는 트레이스입니다.
- 기준 트레이스: 정상적인 동작을 나타내는 동일한 엔티티 및 시간대의 정상적이고 이상 징후가 없는 트레이스입니다.
통계적 비교
ACA 두 그룹 간의 속성 값 분포를 비교합니다. 타겟 그룹에 불균형적으로 나타나는 속성 ― 예를 들어 특정 배포 버전, 호스트, 지리적 지역 또는 고객 세그먼트 ― 은 이상 징후와 상관관계가 있는 것으로 표면화됩니다. 각 속성에는 이상치 그룹을 기준과 얼마나 강력하게 구분하는지를 나타내는 확률 점수가 할당됩니다.
AI 합성
AI 모델은 통계적 신호를 평문 설명으로 종합하여 주요 원인을 명시하고 그 이유를 설명합니다. 예: "Payment Service의 지연시간 급증은 주로 release-953을 실행하는 운영 환경에서 entity-status-데몬이 처리하는 requests에 의해 발생하며, 이는 이상치 트레이스의 78%를 차지합니다."
주의
ACA 통계적 상관관계를 제공하며, 인과관계를 보장하지는 않습니다. 조치를 취하기 전에 항상 실제 데이터와 비교하여 AI가 생성한 인사이트를 확인하세요. 배포하기 전에 모든 코드 변경 사항이나 수정 단계를 철저히 검토하고 테스트하세요.
요구 사항
- Intelligent Exemplar 를 먼저 시작해야 합니다. ACA 은(는) 자신이 생성한 이상치 트레이스 세트에서 작동합니다 ― ACA 을(를) 독립적으로 실행할 수 없습니다.
- 서비스에 대해 분산 추적을 활성화해야 합니다. 분산 추적 소개를 참조하세요.
- New Relic AI 요약을 생성하려면 계정에서 AI를 활성화해야 합니다.
중요
가격: AI 요약 생성에는 New Relic AI 사용량에 따라 추가 비용이 발생합니다. ACA을 실행하기 전에 가격에 미치는 영향을 이해해야 합니다. 자세한 내용은 계정의 AI 사용량 가격을 참조하십시오.
속성 상관관계 분석 실행
ACA 조사가 진행 중인 후 Intelligent Exemplar 랜딩 페이지에서 시작됩니다.
- Intelligent Exemplar 조사 를 완료하여 이상치 트레이스 목록이 있는 랜딩 페이지로 이동합니다.
- 랜딩 페이지에서 Analyze patterns & attributes을 선택합니다.
- ACA 이상치 트레이스 세트에 대해 자동으로 실행됩니다. 결과는 동일한 뷰에 나타납니다.
ACA 결과 검토
ACA 결과는 AI 생성 요약, 감지된 패턴 상호 참조, 속성 분포 차트의 세 가지 구성 요소로 이루어집니다.
AI 생성 요약
AI 요약은 이상 징후를 유발하는 특정 속성-값 쌍을 지정하고, 교차 참조를 위해 활성 상태로 유지되는 감지된 패턴을 보여줍니다.
요약 패널은 이상 징후의 주요 원인을 쉬운 영어로 식별합니다. 이상치 트레이스에서 불균형적으로 나타나는 특정 속성-값 쌍 ― 배포 버전, 환경 태그, 호스트 또는 고객 계정 ID 등 ― 을 지정합니다.
요약에서 명명된 각 속성은 클릭 가능한 필터입니다. 이를 선택하면 이상치 트레이스 목록이 해당 속성 값과 일치하는 트레이스로 좁혀져, 더 자세히 조사하거나 결과를 확인할 수 있습니다.
팁
원시 스팬 데이터에서 역방향으로 작업하는 대신 AI 요약에 명명된 속성에서 문제 해결을 시작하세요. 이 요약은 가장 신호가 높은 변수 ― 정상적인 기준에 비해 이상 징후 트레이스에서 통계적으로 가장 과대 대표되는 변수 ― 를 식별합니다.
감지된 패턴 교차 참조
Intelligent Exemplar에서 감지한 패턴 은 ACA 결과 중에도 계속 표시됩니다. 이를 사용하여 AI 요약을 상호 참조하고 확증합니다:
- ACA 이(가) 다운스트림 서비스를 주요 원인으로 지목하고 Downstream latency [다운스트림 지연시간] 또는 Downstream errors [다운스트림 오류] 패턴이 활성화된 경우, 두 신호가 일치합니다 ― 높은 신뢰도.
- ACA 이 중심 엔티티 속성을 인용하지만 Downstream latency [다운스트림 지연시간] 패턴이 활성화된 경우, 여러 기여 요인이 있을 수 있습니다. 추가 신호에 대해서는 속성 차트를 탐색하십시오.
속성 분포 차트
각 속성 차트는 이상치 그룹과 기준 간의 값 분포를 보여주어 이상 징후 트레이스 쪽으로 편향된 속성을 쉽게 찾을 수 있게 해줍니다.
AI 요약 아래에 ACA 은(는) 평가한 각 속성에 대한 바 차트를 렌더링합니다. 각 차트는 기준 그룹과 비교하여 이상치(타겟) 그룹의 속성 값 빈도 분포를 보여줍니다.
속성 차트를 사용하여 다음을 수행합니다:
- AI 요약 검증: 명명된 속성이 기준 바에 비해 이상치 바에서 불균형적으로 나타나는지 확인합니다.
- 2차 원인 탐색: AI 요약이 주요 원인으로 드러내지 않았을 수 있는 분포 차이가 큰 다른 속성을 찾아보세요. 스파이크에는 여러 가지 기여 요인이 있을 수 있습니다.
- 영향 반경 식별:
customer.id,aws.region또는deployment.environment와 같은 차원에 대한 속성 차트는 영향을 받는 사용자 세그먼트, 리전 또는 환경을 표시하며 인시던트의 영향을 파악하는 데 사용할 수 있습니다.
신뢰도 점수 해석
ACA 에 의해 표면화된 각 속성에는 이상치 그룹을 기준과 얼마나 강력하게 구분하는지를 나타내는 확률 점수가 할당됩니다.
- 높은 점수(대략 70% 이상) 는 속성 값이 기준 트레이스보다 이상치 트레이스에서 훨씬 더 큰 비율로 나타남을 나타냅니다. 이들은 근본 원인의 강력한 후보입니다.
- 중간 점수(40-70%) 는 의미는 있지만 덜 명확한 상관관계를 나타냅니다. 특히 감지된 패턴에 의해 확증되는 경우 조사할 가치가 있습니다.
- 낮은 점수(40% 미만) 는 속성이 이상치 트레이스에서 아주 약간 더 자주 나타남을 나타냅니다. 이상 징후에는 여러 기여 요인이 있을 수 있으며, 또는 신뢰할 수 있는 통계적 구분을 위한 트레이스 볼륨이 불충분할 수 있습니다.
주의
모든 속성에서 점수가 낮다고 해서 조사가 결정적이지 않다는 의미는 아닙니다 ― 이는 스파이크에 단일 주요 원인이 아닌 여러 기여 변수가 있거나, 선택한 기간의 트레이스 볼륨이 너무 낮아 신뢰도 높은 결과를 얻을 수 없음을 나타낼 수 있습니다. 이러한 경우 시간 범위를 확장하거나 Intelligent Exemplar의 다운스트림 상관관계 데이터를 참조하십시오.
무엇 향후 계획
- 실패한 스팬으로 이동: AI 요약의 속성 필터를 사용하여 이상치 트레이스 목록을 좁힌 다음, 트레이스를 선택하여 이상 징후 스팬으로 직접 이동하세요.
- 배포와 상관관계 지정: ACA 이(가) 배포 버전을 인용하는 경우 변경 추적 과 상호 참조하여 당시 배포된 내용을 확인하세요.
- 트레이스 볼륨 관리: 인시던트 후 트레이스 수집 비용을 관리하려면 분산 추적 데이터 수집 제어 를 참조하세요.
- 샘플링 조정: 영향을 받는 서비스 또는 트랜잭션에 대한 트레이스 커버리지를 늘리려면 샘플링 구성 을 참조하세요.