# Cross-System Categorization of Abnormal Traces in Microservice-Based Systems via Meta-Learning

### 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.

[PDF 보기](https://arxiv.org/pdf/2403.18998)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).