論文の概要: FC-ADL: Efficient Microservice Anomaly Detection and Localisation Through Functional Connectivity

• arxiv url: http://arxiv.org/abs/2512.00844v1
• Date: Sun, 30 Nov 2025 11:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.44991
• Title: FC-ADL: Efficient Microservice Anomaly Detection and Localisation Through Functional Connectivity
• Title（参考訳）: FC-ADL:機能接続による効率的なマイクロサービス異常検出と局在化
• Authors: Giles Winchester, George Parisis, Luc Berthouze,
• Abstract要約: マイクロサービスメトリクスから異常な変更を検出し、ローカライズするための、エンドツーエンドのスケーラブルなアプローチであるFC-ADLを提案する。 提案手法は,多種多様な障害シナリオを対象としたトップ検出およびローカライゼーション性能を実現することができることを示す。 提案手法は, 最先端手法と比較して, さまざまな障害シナリオにおいて, トップ検出およびローカライズ性能を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 2.994962964425238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microservices have transformed software architecture through the creation of modular and independent services. However, they introduce operational complexities in service integration and system management that makes swift and accurate anomaly detection and localisation challenging. Despite the complex, dynamic, and interconnected nature of microservice architectures, prior works that investigate metrics for anomaly detection rarely include explicit information about time-varying interdependencies. And whilst prior works on fault localisation typically do incorporate information about dependencies between microservices, they scale poorly to real world large-scale deployments due to their reliance on computationally expensive causal inference. To address these challenges we propose FC-ADL, an end-to-end scalable approach for detecting and localising anomalous changes from microservice metrics based on the neuroscientific concept of functional connectivity. We show that by efficiently characterising time-varying changes in dependencies between microservice metrics we can both detect anomalies and provide root cause candidates without incurring the significant overheads of causal and multivariate approaches. We demonstrate that our approach can achieve top detection and localisation performance across a wide degree of different fault scenarios when compared to state-of-the-art approaches. Furthermore, we illustrate the scalability of our approach by applying it to Alibaba's extremely large real-world microservice deployment.
• Abstract（参考訳）: マイクロサービスは、モジュール型および独立したサービスの作成を通じて、ソフトウェアアーキテクチャを変革した。 しかし、彼らはサービス統合とシステム管理における運用上の複雑さを導入し、迅速かつ正確な異常検出とローカライゼーションを困難にしている。 マイクロサービスアーキテクチャの複雑で動的で相互接続的な性質にもかかわらず、異常検出のためのメトリクスを調査する以前の研究には、時間変化の相互依存性に関する明確な情報がほとんど含まれていない。 障害ローカライゼーションに関する以前の作業では、一般的にマイクロサービス間の依存関係に関する情報が組み込まれていたが、計算コストのかかる因果推論に依存するため、現実の大規模デプロイメントにはスケールが不十分である。 これらの課題に対処するために,機能接続という神経科学的概念に基づいて,マイクロサービスメトリクスから異常な変更を検出し,ローカライズする,エンドツーエンドのスケーラブルなアプローチであるFC-ADLを提案する。 マイクロサービスメトリクス間の依存関係の時間変化を効率的に特徴付けることで、因果的および多変量的アプローチの大きなオーバーヘッドを発生させることなく、異常を検出し、根本原因候補を提供することができる。 提案手法は, 最先端手法と比較して, さまざまな障害シナリオにおいて, トップ検出およびローカライズ性能を実現することができることを示す。 さらに、Alibabaの極めて大規模な実世界のマイクロサービスデプロイメントに適用することで、このアプローチのスケーラビリティについても説明します。

関連論文リスト

• Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
  本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。 グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T08:28:41Z)
• Leveraging Network Methods for Hub-like Microservice Detection [48.55946052680251]
  ハブのようなマイクロサービスアンチパターンには明確な定義と検出方法がない。 本研究では,Hubライクなマイクロサービスアンチパターンに対して,堅牢な検出アプローチを見つけることを目的とする。
  論文  参考訳（メタデータ） (2025-06-09T12:13:49Z)
• Complexity at Scale: A Quantitative Analysis of an Alibaba Microservice Deployment [1.7124365853633132]
  Alibabaがリリースしたマイクロサービスデプロイメントデータセットを分析します。 さらに広い範囲のフロントエンド機能をサポートする、数万の特徴を特定します。 実行時のデプロイメント内の依存関係が、システムの静的ビューと異なる場合があることが分かりました。
  論文  参考訳（メタデータ） (2025-04-17T17:50:44Z)
• GAL-MAD: Towards Explainable Anomaly Detection in Microservice Applications Using Graph Attention Networks [1.0136215038345013]
  ネットワークとパフォーマンスの問題に起因する異常は素早く特定され、対処されなければならない。 既存の異常検出技術は統計モデルや機械学習手法に依存していることが多い。 グラフ注意とLSTMに基づくマイクロサービス異常検出(GAL-MAD)と呼ばれる新しい異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-31T10:11:31Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System [24.2074235652359]
  我々は,マルチモーダル学習を通じて利用可能なすべてのデータモダリティをシームレスに統合するMSTGADを提案する。 本研究では,異なるモーダル間の相関関係をモデル化するために,空間的および時間的注意機構を備えたトランスフォーマーベースニューラルネットワークを構築した。 これにより、リアルタイムで自動的かつ正確に異常を検出することができる。
  論文  参考訳（メタデータ） (2023-10-07T06:28:41Z)
• 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)

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。