学习分布式云应用中的依赖关系以识别与定位异常
分布式、并行与集群计算
2021-09-10 v2 机器学习
摘要
大型分布式云应用的运维可能迅速变得难以管理的复杂，使运维人员在问题发生时承受巨大压力。利用机器学习对此类系统中的异常进行识别与定位可辅助人类专家并实现快速缓解。然而，由于系统组件之间存在各种相互依赖关系，异常不仅影响其源头，还会在分布式系统中传播。考虑到这一点，我们提出 Arvalus 及其变体 D-Arvalus，一种神经图变换方法，将系统组件建模为节点、将其依赖关系与部署位置建模为边，以改进异常的识别与定位。给定一系列指标 KPI，我们的方法预测最可能的系统状态——正常或某一异常类——并在检测到异常时执行定位。在实验中，我们模拟了一个分布式云应用部署并人工注入异常。评估显示了 Arvalus 总体良好的预测性能，并揭示了融入系统组件依赖信息的 D-Arvalus 的优势。
引用
@article{arxiv.2103.05245,
title = {Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies},
author = {Dominik Scheinert and Alexander Acker and Lauritz Thamsen and Morgan K. Geldenhuys and Odej Kao},
journal= {arXiv preprint arXiv:2103.05245},
year = {2021}
}
备注
6 pages, 5 figures, 3 tables