服務圖上錯誤最多的節(jié)點往往最像故障源。但它也可能只是流量入口把下游異常都接在了自己身上。圖神經(jīng)網(wǎng)絡能利用鄰居信息卻不能替我們補齊未采集到的依賴事實。模型會沿著什么傳播GCN 原始論文討論圖結構上的半監(jiān)督分類。把該思路用于運維時節(jié)點特征、鄰接關系和標簽定義都要重新設計論文任務的結果不是微服務根因準確率。最常見的輸入缺口有三類采樣漏掉低頻調(diào)用異步消息沒有接成同步調(diào)用鏈以及圖版本落后于最近一次發(fā)布。沒有觀察到 A→B至少存在“確實沒有調(diào)用”和“調(diào)用存在但沒采到”兩種可能不能都編碼成確定的零。2026年10月21日的 運維 Agent 上下文評估把拓撲與變更記錄列為重要材料。借鑒它時我更關心缺失信息怎樣返回而不是把廠商實驗的分數(shù)貼到自己的模型上。一個鄰居聚合的反例下面不是 GCN 訓練代碼只用均值演示一件事漏邊會改變輸入到分類器之前的表示。它完全使用 Python 3 標準庫。features {A: 0.2, B: 0.8, C: 0.1, D: 1.0} def aggregate(node, outgoing): neighbors outgoing.get(node, []) values [features[node]] [features[n] for n in neighbors] return sum(values) / len(values) observed {A: [B], B: [C]} with_missing_edge_restored {A: [B], B: [C, D]} first aggregate(B, observed) second aggregate(B, with_missing_edge_restored) assert round(first, 2) 0.45 assert round(second, 3) 0.633 assert first ! second print({observed_only: first, with_extra_edge: second})這里的數(shù)值只是教學特征不是概率也不是線上異常分。實際 GCN 還有歸一化、權重與非線性不能把這個均值實現(xiàn)命名為“生產(chǎn)級 GCN”。例子的價值在于讓拓撲敏感性變得可見。評測應主動拆掉一些邊按事故與時間切分訓練、驗證集避免同一次事故的相鄰采樣進入兩邊。然后分別測試完整拓撲、隨機漏邊、按采集器故障成片漏邊、發(fā)布后舊圖等情況。比較 Top-k 候選召回的同時記錄模型是否愿意輸出“不足以定位”。每個候選最好返回支持節(jié)點、邊的來源、圖版本及缺失范圍。若加入一條未經(jīng)核實的邊就能讓第一名劇烈翻轉(zhuǎn)應先提高調(diào)查優(yōu)先級而不是讓 Agent 自動重啟該節(jié)點。本文沒有訓練 GCN、調(diào)用 PyG 或復現(xiàn)生產(chǎn)定位指標只驗證了聚合對輸入邊的敏感性。根因定位的第一層可靠性來自輸入證據(jù)模型層數(shù)再多也不能把未知關系變成已發(fā)生的調(diào)用。