SLIM：面向微服务中不平衡数据的可扩展轻量级根因分析
软件工程
2024-06-03 v1 人工智能
机器学习
摘要
新部署的服务——一种变更服务，可能导致一种新型的少数故障。现有的最先进的故障定位方法很少考虑变更服务中的不平衡故障分类。本文提出了一种新方法，利用决策规则集通过优化受基数约束的F1分数来处理高度不平衡的数据。所提出的方法贪婪地生成具有最大边际增益的规则，并使用高效的极小化-最大化（MM）方法迭代选择规则，最大化非单调子模下界。与现有的故障定位算法相比，我们的算法能够适应变更服务的不平衡故障场景，并提供易于理解和验证的可解释故障原因。我们的方法也可以部署在在线训练环境中，训练开销仅为当前最先进方法的约15%。实证研究表明，我们的算法在准确性和模型可解释性方面均优于现有的故障定位算法。
引用
@article{arxiv.2405.20848,
title = {SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice},
author = {Rui Ren and Jingbang Yang and Linxiao Yang and Xinyue Gu and Liang Sun},
journal= {arXiv preprint arXiv:2405.20848},
year = {2024}
}