Cross-System Categorization of Abnormal Traces in Microservice-Based Systems via Meta-Learning
Created by
- Haebom
Category
Empty
저자
Yuqing Wang, Mika V. Mantyla, Serge Demeyer, Mutlu Beyazit, Joanna Kisaakye, Jesse Nyyssola
개요
본 논문은 마이크로서비스 기반 시스템(MSS)의 비정상 추적을 자동으로 오류 범주로 분류하는 새로운 AIOps 프레임워크인 TraFaultDia를 제시한다. TraFaultDia는 메타러닝을 활용하여 MSS의 몇 가지 라벨이 지정된 인스턴스를 사용하여 여러 비정상 추적 분류 작업을 학습하고, 새로운 미지의 비정상 추적 분류 작업에 빠르게 적응한다. TrainTicket과 OnlineBoutique 두 MSS에 대한 실험 결과, TraFaultDia는 동일한 MSS 내에서 범주당 10개의 라벨이 지정된 인스턴스로 학습되었을 때 50개의 새로운 분류 작업에 대해 각각 93.26%와 85.20%의 정확도를 달성했다. 다른 MSS에 적용되었을 때에도 높은 정확도(평균 92.19%와 84.77%)를 보였다. 이를 통해 수동 분석 없이 자동으로 결함 시스템 구성 요소와 근본 원인을 식별할 수 있다.
시사점, 한계점
•
시사점:
◦
메타러닝 기반의 AIOps 프레임워크를 통해 MSS의 비정상 추적을 자동으로 분류하고, 결함 시스템 구성 요소와 근본 원인을 자동으로 식별할 수 있다.
◦
소량의 라벨 데이터로도 높은 정확도를 달성하여 효율적인 오류 진단이 가능하다.
◦
시스템 간 적용 가능성을 보여주어 다양한 MSS에 적용 가능성을 시사한다.
•
한계점:
◦
실험에 사용된 MSS의 종류가 제한적이다. 다양한 유형의 MSS에 대한 추가적인 실험이 필요하다.
◦
오류 범주의 구성 방식에 따라 확장성이 달라질 수 있다. 오류 범주 설정에 대한 명확한 가이드라인이 필요할 수 있다.
◦
실제 운영 환경에서의 성능 및 안정성에 대한 추가적인 검증이 필요하다.
