分叉，笛卡尔，相关，伽罗瓦，索引

分叉点

以下来自正常与异常软件环境的两条软件追踪记录，是该模式的完美示例。我们从突变理论中借用“分叉点”这一名称：

首先，我们注意到上述两条追踪记录中的 PID 相同（均为 2768 和 3756）。因此可以推断，这两条记录很可能来自同一环境和同一会话。其次，消息 A、B、C 一直到 X 和 Y 完全一致。而后两个消息的查询结果 XXX 和 YYY 存在显著差异。在此之后，两条记录的消息分布无论在数量还是内容上都大相径庭。尽管追踪时间相同（均为 15 秒），但正常情况下的 当前语句速率 为 155 条消息/秒，而异常情况则高达 388 条消息/秒。

当追踪噪声比例较小时，我们很容易观察到分叉点。例如，在终端服务环境中，可以通过根据问题描述选择合适的追踪模块，或从完整的 CDF 追踪中过滤掉无关模块来实现这一点。

下图展示了分叉点分析模式：

卡氏追踪

卡氏追踪分析模式的灵感来源于笛卡尔积。它适用于一种场景：我们拥有一条长追踪记录，以及少数几条 小型 DA+TA 配置追踪记录（文件）。前者记录中的消息与后者记录中的消息（内容或内容变化）存在关联，如以下图表所示：

可以将一个矩形视为两条线段的乘积，或将一个圆柱体视为一个圆与一条线段的乘积。与 纤维丛、追踪预层 和 追踪扩展 不同，这两种追踪彼此完全独立。

相关不连续性

在分析 互相关性 或 内相关性 并发现某条追踪记录中某部分或另一条追踪记录中存在 不连续性 时，检查同一追踪记录的其他部分（如不同 活动线程）或另一条追踪记录中是否存在对应的 相关不连续性 会非常有帮助。这种模式可能指向潜在的通信问题，从而提示我们需要收集其他类型的追踪数据（例如网络追踪）以进行进一步分析。

格罗伊斯追踪

在对不同追踪记录和日志进行 互相关分析 时，我们不仅可以沿时间方向前进，还可以向后追溯（反向追踪）。在某些情况下，我们可以先在两个日志中识别出 关键事件，然后分别向相反方向移动，寻找另一对有助于诊断的消息。我们称这种分析模式为 格罗伊斯追踪，其灵感来源于数学中的格罗伊斯连接。在下图所示的情形中，从追踪 A 到追踪 B 再返回的过程对应于函数 F 和 G，其中 A 和 B 代表单个追踪消息或 消息上下文（依据单调性定义）。格罗伊斯追踪分析模式如下图所示：

索引追踪

索引追踪模式是 互相关性 的一种变体，其特征是：一条追踪记录中的感兴趣消息指向另一条追踪记录中的特定 活动区域。后一条追踪记录可能非常庞大，来自另一台计算机，并被分割成多个部分（拆分追踪）。当需要诊断一个大型拆分追踪问题，但又不知道其发生时间时，这种模式尤为有用。此时，一条记录了软件执行轨迹的索引追踪（例如在类似代理架构中）可以定位到拆分追踪中的正确片段。