近年来，微服务因其可扩展性、可维护性和灵活性而在 IT 运营中得到广泛采用。然而，由于微服务中的复杂关系，当面临系统故障时，站点可靠性工程师 （SRE） 很难查明根本原因。以前的研究采用结构化学习方法（例如 PC 算法）来建立因果关系并从因果图中得出根本原因。然而，他们忽略了时间序列数据的时间顺序，未能利用时间关系中固有的丰富信息。例如，在 CPU 利用率突然激增的情况下，可能会导致其他微服务的延迟增加。但是，在这种情况下，CPU 利用率异常发生在延迟增加之前，而不是同时发生。因此，PC 算法无法捕获这些特征。为了应对这些挑战，我们提出了 RUN，这是一种使用神经 Granger 因果发现和对比学习进行根本原因分析的新方法。RUN 通过集成时间序列中的上下文信息来增强主干编码器，并利用时间序列预测模型进行神经 Granger 因果发现。此外，RUN 将 Pagerank 与个性化向量相结合，以有效地推荐前 k 个根本原因。在基于合成和真实世界微服务的数据集上进行的广泛实验表明，RUN 的性能明显优于最先进的根本原因分析方法。此外，我们还为 sock-shop 案例提供了一个分析场景，以展示 RUN 在基于微服务的应用程序中的实用性和有效性。