TELESTO：一种用于云服务异常分类的图神经网络模型
机器学习
2021-07-30 v2 软件工程
摘要
大型 IT 系统的部署、运维变得越来越复杂，并在问题发生时使人类专家承受极大压力。因此，机器学习（ML）和人工智能（AI）被应用于 IT 系统运维，概括为 AIOps 一词。其中一个具体方向旨在识别重复出现的异常类型以实现修复自动化。然而，由于 IT 系统特有的属性，尤其是其频繁变更（例如软件更新、重配置或硬件现代化），识别重复出现的异常类型具有挑战性。当前方法主要假设所提供数据的维度是静态的。我们提出了一种对给定数据维度变化保持不变的方法。CPU 利用率、分配内存等资源度量数据被建模为多元时间序列。时间特征与空间特征的提取以及后续的异常分类通过利用我们新颖的图卷积神经网络（GCNN）架构 TELESTO 来实现。实验评估在一个托管两个应用的真实云测试床部署中进行。在 cassandra 数据库节点上注入异常的分类结果表明，TELESTO 优于其他 GCNN，并达到了 85.1% 的总体分类准确率。其他节点的分类结果显示准确率在 85% 到 60% 之间。
引用
@article{arxiv.2102.12877,
title = {TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services},
author = {Dominik Scheinert and Alexander Acker},
journal= {arXiv preprint arXiv:2102.12877},
year = {2021}
}
备注
12 pages, 2 figures, 4 tables