CausIL：面向实例级微服务数据的因果图
分布式、并行与集群计算
2023-03-21 v2
摘要
基于AI的监控因其规模已成为云服务的关键。此类监控的常用方法是检测服务组件间的因果关系并构建因果图。领域信息的可用性使云系统更适于此类因果检测方法。然而，在现代云系统中，自动伸缩器动态改变微服务实例数量，且负载均衡器管理各实例上的负载。这对现成的因果结构检测技术构成挑战，因为它们既未纳入系统架构领域信息，也未提供对跨可变数量服务实例的分布式计算建模的途径。为此，我们开发了CausIL，它通过考虑分布于动态实例上的计算并融入源自系统架构的领域知识，检测服务指标间的因果结构。面向云系统应用，CausIL利用性能指标的实例特定变化估计因果图，在系统假设条件下将服务的多个实例建模为相互独立。仿真研究表明，以结构汉明距离衡量，CausIL较基线提升图估计精度约25%，而真实世界数据集证明了CausIL在部署环境中的适用性。
引用
@article{arxiv.2303.00554,
title = {CausIL: Causal Graph for Instance Level Microservice Data},
author = {Sarthak Chakraborty and Shaddy Garg and Shubham Agarwal and Ayush Chauhan and Shiv Kumar Saini},
journal= {arXiv preprint arXiv:2303.00554},
year = {2023}
}
备注
Accepted to the Proceedings of the ACM Web Conference 2023 (WWW '23)