Root Cause Analysis of Anomalies of Multitier Services in Public Clouds

TON 2018

读完感觉不像是A类的期刊，Chinglish的情况很严重，相似度的计算实在是不优美，最后baseline挑的也很奇怪。

IBR

这篇文章里用了一个很贴切的词：tenant，RCA用另一种解释其实就是tenant，也就是之前网易的面试官跟我说的profiling，是因为一个节点Root出现故障，导致和该节点有关的所有节点都变慢了。

这篇也是在前面会议论文的基础上加了一些内容投的期刊。

System Arch

Anomaly Type

内在因素：服务调用过程中出现的异常

外在因素：在同一个物理机上的异常导致该物理机上不同的VM的异常

System

两部分，第一部分构建异常传播图（也是一个DAG），第二部分计算相似度Rank异常节点。

Graph

VCG（VM Communication Graph）用工具PreciseTracer可以获得。

APG（Anomaly Propagation Graph）

Root Cause Location

这里面定义的相关度和其他不太一样，Sim(VMi, Rj)，是计算某个VM和某个请求之间的相关度。

Data Collection

1. 服务响应时间，这里的计算方式是将所有参与一次响应的相关组件的响应时间相加
2. Utilization，比如CPU、mem等

都是老生常谈了

Similarity Calculation

依旧是皮尔逊相关系数，不过这个相关度也太复杂了吧？

R(i, M, R®, ts, te) = cov(Mte(M,i),Tte (R®)􏲊 / σMte (M,i)σTte (R®)

Random Walk

依旧是Forward、Backward和Self，就是随机游走哪一套

Evaluation

Baseline

• RS：Random Select，普通人用排列组合的方式选择
• SC：Sudden Change，比较当前metric和一个时间窗口之前的metric的变化，变化最大的那个视为Anomaly
• DBR：Distance Based Rank，选择最优传播路径，找传播过程花费距离最短的

Evaluation Metric

• PR@K（Precision at TOP K）TOP K的准确性。比如K=5，能有90%的准确性Root Cause在里面
• MAP（Mean Average Precision）