論文の概要: RCRank: Multimodal Ranking of Root Causes of Slow Queries in Cloud Database Systems

• arxiv url: http://arxiv.org/abs/2503.04252v1
• Date: Thu, 06 Mar 2025 09:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:57:44.308637
• Title: RCRank: Multimodal Ranking of Root Causes of Slow Queries in Cloud Database Systems
• Title（参考訳）: RCRank: クラウドデータベースシステムにおけるスロークエリによるルートのマルチモーダルランク付け
• Authors: Biao Ouyang, Yingying Zhang, Hanyin Cheng, Yang Shu, Chenjuan Guo, Bin Yang, Qingsong Wen, Lunting Fan, Christian S. Jensen,
• Abstract要約: ルート原因の診断は、遅いクエリの検出とリビジョンを促進するのに不可欠である。 本稿では、遅いクエリの根本原因タイプを特定し、遅いクエリを高速化する可能性に応じてそれらをランク付けする手法を提案する。 より正確かつ詳細な診断を可能にするために,RCRankフレームワークの根本原因のマルチモーダルランキングを提案する。
• 参考スコア（独自算出の注目度）: 38.72325043937881
• License:
• Abstract: With the continued migration of storage to cloud database systems,the impact of slow queries in such systems on services and user experience is increasing. Root-cause diagnosis plays an indispensable role in facilitating slow-query detection and revision. This paper proposes a method capable of both identifying possible root cause types for slow queries and ranking these according to their potential for accelerating slow queries. This enables prioritizing root causes with the highest impact, in turn improving slow-query revision effectiveness. To enable more accurate and detailed diagnoses, we propose the multimodal Ranking for the Root Causes of slow queries (RCRank) framework, which formulates root cause analysis as a multimodal machine learning problem and leverages multimodal information from query statements, execution plans, execution logs, and key performance indicators. To obtain expressive embeddings from its heterogeneous multimodal input, RCRank integrates self-supervised pre-training that enhances cross-modal alignment and task relevance. Next, the framework integrates root-cause-adaptive cross Transformers that enable adaptive fusion of multimodal features with varying characteristics. Finally, the framework offers a unified model that features an impact-aware training objective for identifying and ranking root causes. We report on experiments on real and synthetic datasets, finding that RCRank is capable of consistently outperforming the state-of-the-art methods at root cause identification and ranking according to a range of metrics.
• Abstract（参考訳）: ストレージのクラウドデータベースシステムへの移行が進むにつれ、そのようなシステムにおける遅いクエリがサービスやユーザエクスペリエンスに与える影響が増している。 ルート原因の診断は、遅いクエリの検出とリビジョンを促進するのに不可欠である。 本稿では、遅いクエリの根本原因タイプを特定し、遅いクエリを高速化する可能性に応じてそれらをランク付けする手法を提案する。 これにより、最も影響の大きいルート原因の優先順位付けが可能になり、遅いクエリリビジョンの有効性が向上する。 より正確かつ詳細な診断を可能にするために,根本原因分析をマルチモーダル機械学習問題として定式化し,クエリステートメントや実行計画,実行ログ,キーパフォーマンス指標などのマルチモーダル情報を活用するRCRankフレームワークのマルチモーダルランキングを提案する。 不均一なマルチモーダル入力から表現的埋め込みを得るために、RCRankは、クロスモーダルアライメントとタスク関連性を高める自己教師付き事前学習を統合する。 次に、このフレームワークは、異なる特性を持つマルチモーダル特徴の適応的な融合を可能にする、ルート・クレーム適応型クロストランスを統合する。 最後に、このフレームワークは、根本原因を特定してランク付けするためのインパクト対応のトレーニング目標を特徴とする統一モデルを提供する。 本稿では,RCRankが根本原因の同定・ランキングにおいて,根本原因の同定・ランキングにおいて,根本原因の正当性を常に向上させることができることを,実データおよび合成データセットの実験により明らかにした。

関連論文リスト

• Progressive Multimodal Reasoning via Active Retrieval [64.74746997923967]
  多段階多モーダル推論タスクは、大規模言語モデル(MLLM)に重大な課題をもたらす 本稿では,MLLMの推論能力の向上を目的とした汎用フレームワークAR-MCTSを提案する。 我々は,AR-MCTSがサンプリングの多様性と精度を最適化し,信頼性の高いマルチモーダル推論を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-19T13:25:39Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [102.31558123570437]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Multi-Head RAG: Solving Multi-Aspect Problems with LLMs [13.638439488923671]
  検索拡張生成(RAG)は大規模言語モデル(LLM)の能力を向上させる 既存のRAGソリューションは、実質的に異なる内容の複数のドキュメントを取得する必要がある可能性のあるクエリに焦点を当てていない。 本稿では,このギャップをシンプルかつ強力なアイデアで解決する新しい手法として,MRAG(Multi-Head RAG)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T16:59:38Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• The PetShop Dataset -- Finding Causes of Performance Issues across Microservices [3.87228935312714]
  本稿では,マイクロサービスベースのアプリケーションにおける根本原因分析を評価するためのデータセットを提案する。 データセットは、分散アプリケーションから5分間隔で出力されるレイテンシ、リクエスト、可用性メトリクスを含んでいる。 通常の運用メトリクスに加えて、データセットには68のインジェクトされたパフォーマンス問題が含まれており、レイテンシが増加し、システム全体の可用性が低下する。
  論文  参考訳（メタデータ） (2023-11-08T16:30:12Z)
• OutRank: Speeding up AutoML-based Model Search for Large Sparse Data sets with Cardinality-aware Feature Ranking [0.0]
  特徴量ランキングとデータ品質関連異常検出のためのシステムであるOutRankを紹介する。 提案したアプローチでは,AutoMLのみのアプローチに比べて最大300%大きな機能空間の探索が可能になる。
  論文  参考訳（メタデータ） (2023-09-04T12:07:20Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。