Alapfogalmak
依存関係強化カバレッジグラフを用いることで、グラフニューラルネットワークベースの障害位置特定手法の精度と効率を大幅に向上させることができる。さらに、コード変更情報を追加することで、さらなる改善が可能となる。
Kivonat
本研究では、DepGraphと呼ばれる新しいグラフニューラルネットワークベースの障害位置特定手法を提案している。DepGraphは以下の2つの主要な特徴を持つ:
- 依存関係強化カバレッジグラフ:
- メソッド間の呼び出し関係を表すコールグラフ情報を統合することで、従来のグラフ表現の限界を克服する。
- これにより、不要なノードやエッジを排除し、グラフの複雑性を大幅に削減できる。
- コード変更情報の統合:
- メソッドのチェンジ量やメソッド変更回数といったコード変更指標をグラフノードの属性として追加する。
- これにより、ソフトウェア変遷の観点から障害に関連する情報をモデルに取り入れることができる。
実験の結果、DepGraphはGraceと比べて、Top-1の正解率を20%向上させ、平均ランク(MFR、MAR)を50%以上改善した。さらに、GPU メモリ使用量を44%、学習/推論時間を85%削減することができた。
また、プロジェクト間の設定でも、Graceを大幅に上回る性能を示した。
本研究の成果は、グラフ表現の改善とソフトウェア変遷情報の統合が、グラフニューラルネットワークベースの障害位置特定手法の精度と効率を大幅に向上させることを実証している。今後の研究では、さらなる情報の統合によりDepGraphの性能をさらに高めていくことが期待される。
Statisztikák
DepGraphはGraceと比べて、Top-1の正解率を20%向上させた。
DepGraphはGraceと比べて、平均ランク(MFR、MAR)を50%以上改善した。
DepGraphはGraceと比べて、GPU メモリ使用量を44%削減した。
DepGraphはGraceと比べて、学習/推論時間を85%削減した。