論文の概要: Anomaly Detection and Root Cause Analysis for Microservice Systems

• arxiv url: http://arxiv.org/abs/2606.09942v1
• Date: Mon, 08 Jun 2026 00:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.073928
• Title: Anomaly Detection and Root Cause Analysis for Microservice Systems
• Title（参考訳）: マイクロサービスシステムにおける異常検出とルート原因解析
• Authors: Luan Pham,
• Abstract要約: マイクロサービスシステムは、クラウドアプリケーションを構築するために広く使われていますが、その複雑さにより、障害は避けられません。 この論文は、マイクロサービスの障害に対する自動異常検出と根本原因分析を前進させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microservice systems are widely used to build cloud applications, yet their complexity makes failures inevitable, degrading user experience and causing economic loss. Automated anomaly detection and root cause analysis (RCA) are now active research areas, but existing techniques share five limitations. First, most treat anomaly detection and RCA separately, assuming anomalies are detected correctly, and falter when detection is imprecise due to noise or delay. Second, they focus on metrics, logs, and traces, leaving event data such as API calls and configuration changes underexplored. Third, many require a given service call graph and cannot diagnose without one. Fourth, the field lacks standardised datasets and evaluation frameworks, so methods are hard to compare fairly. Fifth, although causal inference-based RCA has become dominant, its effectiveness, efficiency, and robustness remain unclear. This thesis addresses these limitations through two groups of contributions. The first introduces methods that exploit observability data both independently and collectively. BARO is an end-to-end anomaly detection and RCA approach for metric data. EventADL is an end-to-end framework for event data. TORAI is a multimodal RCA framework that requires no service call graph. Extensive experiments on real microservice systems demonstrate their effectiveness and robustness. The second group delivers benchmarking datasets, an evaluation framework, and systematic evaluation efforts. RCAEval is a comprehensive benchmark providing ready-to-use datasets and reproducible baselines for future research. A systematic evaluation of existing RCA methods, especially causal inference-based approaches, offers insights that guide future directions. This thesis thereby advances automated anomaly detection and RCA for microservice failures, enabling future research on incident mitigation and remediation.
• Abstract（参考訳）: マイクロサービスシステムは、クラウドアプリケーションを構築するために広く使用されているが、その複雑さは、障害を回避し、ユーザエクスペリエンスを低下させ、経済的損失を引き起こす。 自動異常検出と根本原因分析(RCA)は現在活発な研究領域であるが、既存の手法には5つの限界がある。 第一に、異常検出とRCAを別々に処理し、異常を正しく検出すると仮定し、ノイズや遅延により検出が不正確であると判断する。 第2に、メトリクス、ログ、トレースに重点を置いて、API呼び出しや設定変更といったイベントデータを過度に調査したままにしておく。 第三に、多くの人は特定のサービスコールグラフを必要としており、それなしでは診断できない。 第4に、フィールドには標準化されたデータセットと評価フレームワークがないため、メソッドを公平に比較することは難しい。 第5に、因果推論に基づくRCAが主流となっているが、その有効性、効率、堅牢性はまだ不明である。 この論文は2つのコントリビューショングループを通じてこれらの制限に対処する。 1つ目は、独立して、かつ、集合的にオブザーバビリティデータを利用する方法である。 BAROは、メトリクスデータに対するエンドツーエンドの異常検出およびRCAアプローチである。 EventADLは、イベントデータのためのエンドツーエンドフレームワークである。 TORAIは、サービスコールグラフを必要としないマルチモーダルRCAフレームワークである。 実際のマイクロサービスシステムに関する大規模な実験は、その有効性と堅牢性を示している。 第2グループは、ベンチマークデータセット、評価フレームワーク、体系的な評価活動を提供している。 RCAEvalは、将来の研究に使えるデータセットと再現可能なベースラインを提供する包括的なベンチマークである。 既存のRCA手法の体系的評価、特に因果推論に基づくアプローチは、今後の方向性を導く洞察を与える。 これにより、マイクロサービス障害の自動異常検出とRCAが向上し、インシデント軽減と修復に関する将来の研究が可能になる。

関連論文リスト

• AnoMod: A Dataset for Anomaly Detection and Root Cause Analysis in Microservice Systems [18.34761164400137]
  我々は、SocialNetworkとTrainTicketという2つのオープンソースのマイクロサービスシステム上に構築された、新しいマルチモーダルな異常データセットを紹介します。 各シナリオについて、ログ、メトリクス、分散トレース、APIレスポンス、コードカバレッジレポートの5つのモード(Mod)を収集します。 このデータセットは、クロスモーダル異常検出および融合/アブレーション戦略の評価を可能にする。
  論文  参考訳（メタデータ） (2026-01-30T12:03:51Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Identifying Performance Issues in Cloud Service Systems Based on Relational-Temporal Features [11.83269525626691]
  クラウドシステムはパフォーマンスの問題の影響を受けやすいため、サービスレベルの合意違反や財政的損失を引き起こす可能性がある。 本稿では,メトリクスの相対的特徴と時間的特徴を併用した学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-07-20T13:41:26Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)

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。