.png){kind=icon}
返回
FNoDe: Faulty Node Detection in Microservices Architecture
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-02215-8_6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着云服务从单体架构转向微服务架构，跨依赖服务的级联效应以及海量异构日志和指标的累积，导致故障后的故障与异常检测愈发具有挑战性。我们提出FNoDe（故障节点检测）框架，该框架将应用日志、性能指标和分布式追踪整合为统一的图结构，用于检测异常的根本原因和类型。通过利用图卷积网络（GCN），FNoDe从历史微服务数据中学习系统在正常和异常状态下的表示，并利用这些嵌入对新系统状态进行分类。在五个公开基准和两个内部微服务系统的评估中，FNoDe在准确率上比传统方法高出20-30%，与最先进框架保持竞争力，同时通过XAI技术提供可解释性。
Keyword:
DIAGNOSIS
期刊
B
IF:
0
论文数:
26
被引数:
0
机构
引用论文
Anomaly Detection and Failure Root Cause Analysis in (Micro) Service-Based Cloud Applications: A Survey基于 (微) 服务的云应用中的异常检测和故障根本原因分析: 一项调查
OAAI
OAAI分享收藏
ServiceRank: Root Cause Identification of Anomaly in Large-Scale Microservice ArchitecturesServiceRank: 大规模微服务架构中异常的根本原因识别
PREAI
分享收藏分享收藏Anomaly Detection Using Program Control Flow Graph Mining From Execution Logs.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
查看更多内容