如何理解根因分析中涉及的算法

运维中分析问题的一般过程是：通过业务埋点收集相关数据，通过监控系统汇聚相关数据，再进行多维数据的统计维度分析。

传统的人工分析，首先要判断成功率是否下跌，然后通过人工查找可以维度，最后又要靠人工进行可以维度的汇总。

基于机器学习的根因分析：从数据存储中发现时间序列异常，拉取正负样本，确定特征工程，通过有监督算法输出根因。

决策树模型的解释性好，是一种规则的模型，支持离线分析，通过信息增益形成分支，通过前后剪枝去掉分支。

根因分析的关键节点包括异常聚集率（节点负样本数量/节点样本总量），异常检出率（节点负样本数量/树的样本总量）以及二者的加权平均。

通过沿着树图，可以寻找路径，路径上的规则就是根因，然后进行冗余规则的合并，最终找到三个关键节点。

根因分析算法的数据处理涉及正负样本和特征处理，剪枝操作包括移除正常维度，聚焦异常维度，最终通过规则合并和输出结果确定维度组合。