論文の概要: LogDB: Multivariate Log-based Failure Diagnosis for Distributed Databases (Extended from MultiLog)

• arxiv url: http://arxiv.org/abs/2505.01676v1
• Date: Sat, 03 May 2025 03:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.226203
• Title: LogDB: Multivariate Log-based Failure Diagnosis for Distributed Databases (Extended from MultiLog)
• Title（参考訳）: LogDB: 分散データベースのマルチ変数ログベースのエラー診断(マルチログから拡張)
• Authors: Lingzhe Zhang, Tong Jia, Mengxi Jia, Ying Li,
• Abstract要約: 分散データベースに特化して設計されたログベースの故障診断手法であるLogDBを提案する。 LogDBは各データベースノードでログ機能を抽出して圧縮し、マスタノードでこれらの機能を集約して、クラスタ全体の異常を診断する。
• 参考スコア（独自算出の注目度）: 8.219850275733513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed databases, as the core infrastructure software for internet applications, play a critical role in modern cloud services. However, existing distributed databases frequently experience system failures and performance degradation, often leading to significant economic losses. Log data, naturally generated within systems, can effectively reflect internal system states. In practice, operators often manually inspect logs to monitor system behavior and diagnose anomalies, a process that is labor-intensive and costly. Although various log-based failure diagnosis methods have been proposed, they are generally not tailored for database systems and fail to fully exploit the internal characteristics and distributed nature of these systems. To address this gap, we propose LogDB, a log-based failure diagnosis method specifically designed for distributed databases. LogDB extracts and compresses log features at each database node and then aggregates these features at the master node to diagnose cluster-wide anomalies. Experiments conducted on the open-source distributed database system Apache IoTDB demonstrate that LogDB achieves robust failure diagnosis performance across different workloads and a variety of anomaly types.
• Abstract（参考訳）: インターネットアプリケーションのためのコアインフラストラクチャソフトウェアである分散データベースは、現代のクラウドサービスにおいて重要な役割を果たす。 しかし、既存の分散データベースはシステム障害や性能低下をしばしば経験し、しばしば経済的損失を招きます。 システム内で自然に生成されるログデータは、内部のシステム状態を効果的に反映することができる。 実際には、オペレータが手動でログを検査してシステムの動作を監視し、異常を診断することが多い。 様々なログベースの故障診断法が提案されているが、一般的にデータベースシステムには適していないため、これらのシステムの内部特性と分散特性を完全に活用できない。 このギャップに対処するため,分散データベースに特化して設計されたログベースの故障診断手法であるLogDBを提案する。 LogDBは各データベースノードでログ機能を抽出して圧縮し、マスタノードでこれらの機能を集約して、クラスタ全体の異常を診断する。 オープンソースの分散データベースシステムApache IoTDBで実施された実験は、LogDBがさまざまなワークロードとさまざまな異常タイプで堅牢な障害診断性能を達成することを実証している。

関連論文リスト

• Cross-System Software Log-based Anomaly Detection Using Meta-Learning [17.39262430769509]
  AIOpsツールは、ソフトウェアシステムのログベースの異常検出プロセスを自動化するために開発されている。 この分野では、高いデータラベリングコスト、動的システムのログの進化、異なるシステム間の適応性という、3つの実践的な課題が広く認識されている。 これらの課題に対応するために特別に設計された,ログイベントレベルの異常検出のためのAIOpsツールであるCroSysLogを提案する。
  論文  参考訳（メタデータ） (2024-12-19T22:55:45Z)
• Multivariate Log-based Anomaly Detection for Distributed Database [17.33465218952355]
  MultiLogは、分散データベースに適した、革新的な多変量ログベースの異常検出アプローチである。 我々の実験は、この新しいデータセットに基づいて、MultiLogの優位性を実証し、既存の最先端メソッドを約12%上回った。
  論文  参考訳（メタデータ） (2024-06-12T08:01:30Z)
• LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
  本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。 具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。 そして、そのような知識を共有パラメータを介して対象領域に転送する。
  論文  参考訳（メタデータ） (2024-01-09T12:55:21Z)
• D-Bot: Database Diagnosis System using Large Language Models [30.20192093986365]
  データベース管理者(DBA)は、データベースシステムの管理、保守、最適化において重要な役割を果たす。 近年の大規模言語モデル (LLM) は様々な分野で大きな可能性を示している。 診断文書から知識を自動取得するLLMベースのデータベース診断システムであるD-Botを提案する。
  論文  参考訳（メタデータ） (2023-12-03T16:58:10Z)
• Leveraging Log Instructions in Log-based Anomaly Detection [0.5949779668853554]
  本稿では,システムログからの信頼性と実用的な異常検出手法を提案する。 1000以上のGitHubプロジェクトのソースコードからログインストラクションを備えた異常検出モデルを構築することで、関連する作業の一般的な欠点を克服する。 提案手法はADLILogと呼ばれ,興味あるシステム(ターゲットシステム)からのログ命令とデータを組み合わせて,深層ニューラルネットワークモデルを学習する。
  論文  参考訳（メタデータ） (2022-07-07T10:22:10Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies [58.88325379746632]
  本稿では、システムコンポーネントをノードとしてモデル化し、その依存関係をエッジとしてモデル化し、異常の識別と局在を改善するニューラルグラフ変換手法であるArvalusとその変種D-Arvalusを紹介します。 一連のメトリックを考えると、私たちの方法は最も可能性の高いシステム状態 - 正常または異常クラス - を予測し、異常が検出されたときにローカライズを行います。 この評価は、一般にArvalusの良好な予測性能を示し、システムコンポーネント依存性に関する情報を組み込んだD-Arvalusの利点を明らかにします。
  論文  参考訳（メタデータ） (2021-03-09T06:34:05Z)
• Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
  クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。 システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:17:05Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
  ログ表現を学習するための分類法であるLogsyを提案する。 従来の方法と比較して,F1スコアの平均0.25の改善を示す。
  論文  参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。