基于模式草图的在线服务系统自适应性能异常检测
软件工程
2022-05-10 v4
摘要
为确保在线服务系统的性能，其状态通过各类软件和系统指标被密切监控。性能异常是指服务系统出现的性能退化问题（如响应缓慢）。在对指标进行异常检测时，现有方法往往缺乏可解释性这一关键优点，而可解释性对于工程师和分析师采取补救措施至关重要。此外，它们无法以在线方式有效适应不断变化的服务。为应对这些局限，本文提出 ADSketch，一种基于模式草图的可解释、自适应性能异常检测方法。ADSketch 通过识别成组的异常指标模式来实现可解释性，这些模式代表特定类型的性能问题。若类似模式再次出现，底层问题可立即被识别。此外，设计了一种自适应学习算法，以接纳由服务更新或用户行为变化引起的前所未见模式。所提方法使用公开数据以及从华为云中具有代表性的在线服务系统收集的工业数据进行评估。实验结果表明，ADSketch 大幅优于最先进的方法，并证明了在线算法在新模式发现中的有效性。此外，我们的方法已成功部署于工业实践中。
引用
@article{arxiv.2201.02944,
title = {Adaptive Performance Anomaly Detection for Online Service Systems via Pattern Sketching},
author = {Zhuangbin Chen and Jinyang Liu and Yuxin Su and Hongyu Zhang and Xiao Ling and Yongqiang Yang and Michael R. Lyu},
journal= {arXiv preprint arXiv:2201.02944},
year = {2022}
}
备注
Accepted by The 44th International Conference on Software Engineering (ICSE 2022)