RiskLoc：基于加权风险的多维根因定位
机器学习
2022-05-23 v1 软件工程
摘要
大规模软件系统中的故障与异常是不可避免的事故。当检测到问题时，运维人员需要快速且正确地识别其位置以促进迅速修复。本工作中，我们考虑识别最能解释具类别属性多维时间序列中异常的根因集合的问题。巨大搜索空间是主要挑战，即便属性数与值集较小，理论组合数量也过大而无法暴力枚举。先前方法因而聚焦于缩减搜索空间，但均存在各类问题：需大量手动参数调优、过慢而不实用，或无法发现更复杂根因。我们提出RiskLoc以解决多维根因定位问题。RiskLoc应用双向划分方案，并分配随距划分点距离线性递增的元素权重。为每个元素赋予风险分数，整合两因素：1）其在异常划分内的加权比例，2）针对涟漪效应属性调整的偏差分数相对变化。在多数据集上的大量实验验证了RiskLoc的有效性与高效性，且为全面评估，我们引入三个合成生成数据集以补充现有数据集。我们展示RiskLoc一致优于SOTA基线，尤其在更具挑战根因场景下，F1-score较次优方法提升达57%，运行时间可比。
引用
@article{arxiv.2205.10004,
title = {RiskLoc: Localization of Multi-dimensional Root Causes by Weighted Risk},
author = {Marcus Kalander},
journal= {arXiv preprint arXiv:2205.10004},
year = {2022}
}