論文の概要: Automatic Design-Time Detection of Anomalies in Migrating Monolithic Applications to Microservices

• arxiv url: http://arxiv.org/abs/2505.17927v1
• Date: Fri, 23 May 2025 14:04:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.135
• Title: Automatic Design-Time Detection of Anomalies in Migrating Monolithic Applications to Microservices
• Title（参考訳）: モノリシックアプリケーションからマイクロサービスへの移行における異常の自動設計-時間検出
• Authors: Valentim Romão, Rafael Soares, Luís Rodrigues, Vasco Manquinho,
• Abstract要約: 本稿では,モノリスに分解された異常を自動的に検出する最初のフレームワークであるMADを紹介する。 解析の結果,MADは分解の潜在的な異常な挙動の原因を正確に特定できることがわかった。
• 参考スコア（独自算出の注目度）: 1.2517393601039444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advent of microservices has led multiple companies to migrate their monolithic systems to this new architecture. When decomposing a monolith, a functionality previously implemented as a transaction may need to be implemented as a set of independent sub-transactions, possibly executed by multiple microservices. The concurrent execution of decomposed functionalities may interleave in ways that were impossible in the monolith, paving the way for anomalies to emerge. The anomalies that may occur critically depend on how the monolith is decomposed. The ability to assess, at design time, the anomalies that different decompositions may generate is key to guide the programmers in finding the most appropriate decomposition that matches their goals. This paper introduces MAD, the first framework for automatically detecting anomalies that are introduced by a given decomposition of a monolith into microservices. MAD operates by encoding non-serializable executions of the original functionalities as an SMT formula and then using a solver to find satisfiable assignments that capture the anomalous interleavings made possible by that specific decomposition. We have applied MAD to different benchmarks and show that it can identify precisely the causes of potential anomalous behavior for different decompositions.
• Abstract（参考訳）: マイクロサービスの出現により、複数の企業がモノリシックなシステムをこの新しいアーキテクチャに移行するようになった。 モノリスを分解する場合、トランザクションとして以前に実装された機能は独立したサブトランザクションのセットとして実装する必要があるかもしれない。 分解された機能の同時実行はモノリスでは不可能な方法でインターリーブされ、異常が出現する道を開く。 臨界的に起こる可能性のある異常は、モノリスの分解方法に依存する。 異なる分解が生成する可能性のある異常を設計時に評価する能力は、プログラマが目標に合った最も適切な分解を見つけるための鍵となる。 本稿では,モノリスのマイクロサービスへの分解によって導入された異常を自動的に検出する最初のフレームワークであるMADを紹介する。 MADは、元の関数のシリアライズ不可能な実行をSMT式として符号化し、その後、解法を用いて、その特定の分解によって可能になった異常なインターリーブをキャプチャする満足な代入を見つける。 我々は、異なるベンチマークにMADを適用し、異なる分解に対する潜在的な異常な振る舞いの原因を正確に特定できることを示してきた。

関連論文リスト

• Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection [31.27483219228598]
  異常検出は、製品の品質を確保し、自動化プロセスの効率を向上させるために、工業生産において重要である。 最近の生成モデルは、しばしば偽陽性を増大させる非現実的な異常を発生させるか、訓練のために現実世界の異常サンプルを必要とする。 本稿では,論理的異常生成のギャップに対処するコンポーネント・アウェアで教師なしのフレームワークであるComGENを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:54:43Z)
• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
  複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。 具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。 我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
  論文  参考訳（メタデータ） (2024-01-15T12:51:13Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。