본 연구는 마이크로서비스 기반 시스템(MSS)에서 발생할 수 있는 다양한 장애 유형을 효과적으로 분류하기 위한 프레임워크를 제안한다. 이 프레임워크는 두 가지 핵심 구성 요소로 이루어져 있다:
다중 헤드 어텐션 오토인코더(MultiHAttenAE): 이 모듈은 MSS의 추적 데이터(span, log)를 융합하여 시스템 특화 저차원 추적 표현을 생성한다. 이를 통해 다양한 형식의 추적 데이터를 효과적으로 활용할 수 있다.
트랜스포머 인코더 기반 모델 불가지론적 메타 학습(TE-MAML): 이 모듈은 MultiHAttenAE에서 생성된 추적 표현을 활용하여 적은 수의 샘플 데이터로도 새로운 장애 유형을 효과적으로 분류할 수 있다. 또한 동일한 MSS 내에서뿐만 아니라 다른 MSS 간에도 학습된 지식을 전이할 수 있다.
실험 결과, 제안 프레임워크는 동일한 MSS 내에서 평균 93.26%와 85.2%의 정확도를 달성했으며, 서로 다른 MSS 간에도 평균 92.19%와 84.77%의 정확도를 달성했다. 이는 적은 수의 샘플 데이터로도 효과적으로 이상 추적을 분류할 수 있음을 보여준다. 또한 MSS 간 적응성을 통해 AIOps 도구의 일반화 능력을 향상시킬 수 있다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문