visualização
Ainda estamos trabalhando nesse recurso, mas adoraríamos que você experimentasse!
Atualmente, esse recurso é fornecido como parte de um programa de visualização de acordo com nossas políticas de pré-lançamento.
Encontrar os traces certos é apenas metade do problema — entender por que esses traces estão falhando é a outra metade. Sem análise automatizada, diagnosticar a causa raiz requer comparar manualmente os atributos de span em centenas de traces, criar consultas complexas e formar hipóteses por tentativa e erro.
Attribute Correlation Analysis (ACA) automatiza esse processo. Ele compara estatisticamente os traces anômalos identificados pelo Intelligent Exemplar com um baseline saudável da mesma janela de tempo, traz à tona os pares atributo-valor que mais diferenciam os dois grupos e apresenta as descobertas como um resumo de IA em linguagem simples com uma pontuação de confiança. O resultado é um ponto de partida direcionado para remediação, não um despejo de dados brutos para interpretar.
Como o ACA Funciona
ACA é executado no conjunto de trace outlier produzido por Intelligent Exemplar. Ele não opera em consultas de trace arbitrárias — requer uma investigação Intelligent Exemplar ativa como entrada.
Grupo de destino vs grupo de baseline
ACA constrói dois grupos a partir dos seus dados de trace para a janela de tempo selecionada:
- Traces de destino (outlier): os traces anômalos identificados por Intelligent Exemplar — aqueles que exibem alta latência ou contagens de erros elevadas em relação ao comportamento da baseline.
- Traces de baseline: traces saudáveis e não anômalos da mesma entidade e janela de tempo que representam o comportamento normal.
Comparação estatística
ACA compara as distribuições de valor do atributo em ambos os grupos. Os atributos que aparecem desproporcionalmente no grupo de destino — por exemplo, uma versão de implantação específica, host, região geográfica ou segmento de clientes — são exibidos como correlacionados com a anomalia. Cada atributo recebe uma pontuação de probabilidade que indica o quão fortemente ele diferencia o grupo outlier do baseline.
Síntese de IA
Um modelo de IA sintetiza os sinais estatísticos em uma explicação em linguagem simples, nomeando o principal culpado e explicando por que ele está implicado. Por exemplo: "O pico de latência no Payment Service é impulsionado principalmente por requests tratadas pelo entity-status-daemon no ambiente de produção executando a release-953, que representa 78% dos traces outlier."
Cuidado
ACA fornece correlação estatística, não causalidade garantida. Sempre verifique os insights gerados por IA em relação aos seus dados reais antes de tomar qualquer ação. Revise e teste minuciosamente todas as alterações de código ou etapas de correção antes de implantá-las.
Requisitos
- O Intelligent Exemplar deve ser iniciado primeiro. O ACA opera no conjunto de traces outlier que ele produz — você não pode executar o ACA de forma independente.
- O distributed tracing deve estar ativado para seus serviços. Consulte Introdução ao distributed tracing.
- New Relic A IA deve estar habilitada na sua conta para gerar resumos de IA.
Importante
Preços: a geração de resumos de IA incorre em custos adicionais com base no seu uso do New Relic AI. Certifique-se de entender as implicações de preços antes de executar ACA. Para obter detalhes, consulte os preços de uso de IA da sua conta.
Executar a Análise de Correlação de Atributos
ACA é iniciado a partir da página de destino Intelligent Exemplar após uma investigação estar em andamento.
- Conclua uma investigação do Intelligent Exemplar para chegar à página de destino com uma lista de trace outlier.
- Na página de destino, selecione Analyze patterns & attributes.
- ACA é executado automaticamente no conjunto de traces outlier. Os resultados aparecem na mesma visualização.
Revisar resultados do ACA
ACA os resultados consistem em três componentes: o resumo gerado por IA, a referência cruzada de padrões detectados e os gráficos de distribuição de atributos.
Resumo gerado por IA
O resumo da IA nomeia os pares de atributo-valor específicos que impulsionam a anomalia e mostra quais padrões detectados permanecem ativos para referência cruzada.
O painel de resumo identifica o principal causador da anomalia em linguagem simples. Ele nomeia os pares de atributo-valor específicos — como uma versão de implantação, tag de ambiente, host ou ID da conta de clientes — que aparecem desproporcionalmente nos traces outlier.
Cada atributo nomeado no resumo é um filtro clicável. Selecioná-lo restringe a lista de trace outlier aos trace que correspondem a esse valor de atributo, permitindo que você se aprofunde ou verifique a descoberta.
Dica
Inicie sua remediação a partir dos atributos nomeados no resumo de IA, em vez de trabalhar de trás para frente a partir de dados brutos de span. O resumo identifica as variáveis de maior sinal — aquelas mais estatisticamente super-representadas nos traces anômalos em relação ao baseline saudável.
Referência cruzada de padrões detectados
Os padrões detectados pelo Intelligent Exemplar permanecem visíveis durante os resultados de ACA. Use-os para fazer referência cruzada e corroborar o resumo da IA:
- Se ACA citar um serviço downstream como o principal culpado e o padrão Downstream latency ou Downstream errors estiver ativo, os dois sinais estão de acordo — alta confiança.
- Se ACA citar um atributo de entidade focal, mas o padrão Downstream latency estiver ativo, pode haver vários fatores contribuintes. Explore os gráficos de atributo para obter sinais adicionais.
Gráficos de distribuição de atributos
Cada gráfico de atributo mostra a distribuição de valores no grupo outlier em comparação com o baseline, facilitando a identificação de atributos que estão distorcidos em direção aos traces anômalos.
Abaixo do resumo da IA, o ACA renderiza gráficos de barras para cada atributo que avaliou. Cada gráfico mostra a distribuição de frequência dos valores do atributo no grupo outlier (destino) em comparação com o grupo baseline.
Use os gráficos de atributo para:
- Validar o resumo de IA: confirme se o atributo nomeado aparece desproporcionalmente na barra outlier em relação à barra do baseline.
- Explorar causas secundárias: procure outros atributos com grandes lacunas de distribuição que o resumo de IA pode não ter trazido à tona como o principal impulsionador. Um pico pode ter vários fatores contribuintes.
- Identificar o raio de explosão: gráficos de atributo para dimensões como
customer.id,aws.regionoudeployment.environmentrevelam quais segmentos de usuário, regiões ou ambientes são afetados e podem ser usados para definir o escopo do impacto do incidente.
Interpretar pontuações de confiança
Cada atributo exibido pelo ACA recebe uma pontuação de probabilidade indicando o quão fortemente ele diferencia o grupo outlier do baseline.
- Pontuações altas (aproximadamente 70% e acima) indicam que o valor do atributo aparece em uma proporção significativamente maior de traces outlier do que de traces baseline. Esses são fortes candidatos a causa raiz.
- Pontuações moderadas (40–70%) indicam uma correlação significativa, mas menos definitiva. Vale a pena investigar, especialmente se corroborado por um padrão detectado.
- Pontuações baixas (abaixo de 40%) indicam que o atributo aparece apenas marginalmente mais frequentemente em traces outlier. A anomalia pode ter vários fatores contribuintes, ou o volume de trace pode ser insuficiente para uma diferenciação estatística confiável.
Cuidado
Pontuações baixas em todos os atributos não significam que a investigação seja inconclusiva — elas podem indicar que o pico tem várias variáveis contribuintes em vez de uma única causa dominante, ou que o volume de traces na janela selecionada é muito baixo para resultados de alta confiança. Nesses casos, expanda a janela de tempo ou consulte os dados de correlação downstream de Intelligent Exemplar.
Qual é o próximo
- Navegue até o span com falha: use o filtro de atributo no resumo de IA para restringir a lista de trace outlier e, em seguida, selecione um trace para chegar diretamente ao span anômalo.
- Correlacionar com uma implantação: Se o ACA citar uma versão de implantação, faça uma referência cruzada com o Monitoramento de Alterações para ver o que foi implantado naquele momento.
- Gerenciar volume de traces: consulte Controlar a Ingestão de Dados de distributed tracing para gerenciar os custos de ingestão de traces após um incidente.
- Ajustar amostragem: consulte Configurar amostragem para aumentar a cobertura de trace para o serviço ou transação afetada.