面向在线服务系统中重复性故障的可操作可解释故障定位
软件工程
2022-09-07 v3
摘要
由于监控数据量大类杂以及组件（如服务或数据库）之间及内部复杂的依赖关系，在线服务系统中的故障定位极具挑战。此外，工程师要求故障定位方案具备可操作性与可解释性，而现有研究方法无法满足。因此，工业界常见做法是：针对特定在线服务系统，经验丰富的工程师基于所积累的系统知识与历史故障，专注于重复性故障的定位。尽管上述常见做法可操作且可解释，但其高度依赖人工，因而缓慢且有时不准确。本文中，我们旨在通过机器学习将该做法自动化。即，我们提出一种面向在线服务系统中重复性故障的可操作可解释故障定位方法 DejaVu。针对特定在线服务系统，DejaVu 以系统中的历史故障与依赖关系为输入，离线训练定位模型；对于新发故障，训练好的模型在线推荐故障发生位置（即故障组件）与故障发生类型（即指示性指标组）（故可操作），并进一步通过全局与局部解释方法进行解释（故可解释）。基于来自三个生产系统与一个开源基准的 601 个故障的评估，在不到一秒内，DejaVu 能在较长候选列表中平均将真实故障排在第 1.66 至 5.03 位，优于基线至少 51.51%。
引用
@article{arxiv.2207.09021,
title = {Actionable and Interpretable Fault Localization for Recurring Failures in Online Service Systems},
author = {Zeyan Li and Nengwen Zhao and Mingjie Li and Xianglin Lu and Lixin Wang and Dongdong Chang and Xiaohui Nie and Li Cao and Wenzhi Zhang and Kaixin Sui and Yanhua Wang and Xu Du and Guoqiang Duan and Dan Pei},
journal= {arXiv preprint arXiv:2207.09021},
year = {2022}
}
备注
Accepted by ESEC/FSE 2022