TraceDiag：面向大规模微服务系统的自适应、可解释且高效的根因分析
软件工程
2023-10-31 v1
摘要
根因分析（RCA）对于保障微服务系统的可靠性正变得愈发关键。然而，由于现代微服务系统规模庞大（通常包含数百个组件），在其上执行 RCA 颇具挑战，并会带来显著的人力开销。本文提出 TraceDiag，一个端到端的 RCA 框架，用于应对大规模微服务系统的相关挑战。它利用强化学习为服务依赖图学习一种剪枝策略，以自动剔除冗余组件，从而显著提升 RCA 效率。所学得的剪枝策略具有可解释性，且能完全自适应于新的 RCA 实例。基于剪枝后的图，可执行一种基于因果的方法，兼具高精度与高效率。所提出的 TraceDiag 框架在从 Microsoft Exchange 系统收集的真实数据轨迹上进行了评估，相较最先进的 RCA 方法展现出优越性能。值得注意的是，TraceDiag 已作为关键组件集成至 Microsoft M365 Exchange 中，显著提升了系统可靠性，并大幅减少了 RCA 所需的人力开销。
引用
@article{arxiv.2310.18740,
title = {TraceDiag: Adaptive, Interpretable, and Efficient Root Cause Analysis on Large-Scale Microservice Systems},
author = {Ruomeng Ding and Chaoyun Zhang and Lu Wang and Yong Xu and Minghua Ma and Xiaomin Wu and Meng Zhang and Qingjun Chen and Xin Gao and Xuedong Gao and Hao Fan and Saravan Rajmohan and Qingwei Lin and Dongmei Zhang},
journal= {arXiv preprint arXiv:2310.18740},
year = {2023}
}