基于元学习的微服务系统异常链路跨系统分类
摘要
微服务系统（MSS）可能会因各种故障类型而失效。虽然现有的 AIOps 方法擅长检测异常链路并定位负责的服务，但仍需要人工来诊断特定的故障类型和故障原因。本文提出了 TraFaultDia，一种新颖的 AIOps 框架，用于自动将 MSS 的异常链路分类为故障类别。我们将分类过程视为一系列多类分类任务，其中每个任务代表一次将 MSS 异常链路分类为特定故障类别的尝试。TraFaultDia 利用元学习在来自某个 MSS 的少量标记实例上训练多个异常链路分类任务，从而能够利用跨 MSS 的少量标记实例快速适应新的、未见过的异常链路分类任务。TraFaultDia 的用例具有可扩展性，具体取决于如何从 MSS 内的异常构建故障类别。我们在两个 MSS（TrainTicket 和 OnlineBoutique）上评估了 TraFaultDia，使用的是开放数据集，其中每个故障类别都链接到故障系统组件（服务/pod）和根本原因。TraFaultDia 自动将异常链路分类为这些故障类别，从而无需人工分析即可自动识别故障系统组件和根本原因。当在同一 MSS 内以每个类别 10 个标记实例进行训练时，TraFaultDia 在 TrainTicket 和 OnlineBoutique 的 50 个新分类任务上分别实现了 93.26% 和 85.20% 的准确率。在跨系统环境中，当 TraFaultDia 应用于与其训练环境不同的 MSS 时，对于各自系统相同的 50 个新的、未见过的异常链路分类任务，TraFaultDia 分别获得了 92.19% 和 84.77% 的平均准确率，同样在每个系统中为每个任务的每个故障类别提供了 10 个标记实例。
引用
@article{arxiv.2403.18998,
title = {Cross-System Categorization of Abnormal Traces in Microservice-Based Systems via Meta-Learning},
author = {Yuqing Wang and Mika V. Mäntylä and Serge Demeyer and Mutlu Beyazit and Joanna Kisaakye and Jesse Nyyssölä},
journal= {arXiv preprint arXiv:2403.18998},
year = {2025}
}
备注
Accepted at ACM International Conference on the Foundations of Software Engineering (FSE) 2025