ICSE 2021丨TraceLingo：云服务中基于 Trace 表示学习的性能故障诊断模型

论文标题｜ TraceLingo: Trace representation and learning for performance issue diagnosis in cloud services
论文来源｜ ICSE 2021
论文链接｜ https://www.computer.org/csdl/proceedings-article/cloudintelligence/2021/456300a037/1wHKxtXXPrO
源码链接｜ https://github.com/serina-hku/TraceLingo

TL;DR

对于服务间调用链 trace 异常检测任务，当前很多方法都忽略了 trace 的上下文特征和图结构特征，因此论文提出一种 trace 的表示学习模型 TraceLingo，采用 tree-based RNN 模型来捕捉不同 trace 中 span 的特征及其依赖关系，可以有效地进行性能诊断。实验部分非常简单只采用一个 case 说明 TraceLingo 的有效性。

Algorithm/Model

需要解决的问题是：给定告警时间和一定时间范围的 traces $T=\left\{T_{1}, T_{2}, \ldots, T_{n}\right\}$ 序列，检测异常的 traces 集合 $AT$ 和故障 spans 集合 $AS=\{s_i\}$ 。

论文中提出 TraceLingo 模型架构如下图所示

第一步：首先使用 TreeLstm 来编码 span 特征，包含两类特征：

Contextual features：包含 span 名称、软硬件设置等。
Temporal features：包含 span 延迟、平均延迟和标准差延迟。

论文中使用 Child-Sum Tree-LSTM 来编码 span 特征，计算方式如下所示

$c_{j}=i_{j} \odot u_{j}+\sum_{l=1}^{N} f_{j l} \odot c_{j l} \\ h_{j}=o_{j} \odot \tanh \left(c_{j}\right)$

Tree-LSTM 模型可以参考论文：【2019/ICSC】Improving tree-lstm with tree attention。这篇论文中根本没有讲清楚。

第二步：得到节点 span 编码特征 $H^{N\times F}$ 后，采用自注意机制来学习不同 spans 的权重 $Z\in R^{N\times 1}$

$Z=\sigma\left(H \Theta_{a t t}\right)$

基于权重选择 top-k spans 来保留，论文中写的是保留 $kN$ 个 spans ，好像不太正确而是直接选择 top-k 。这样就算每个 trace 中 spans 数量不同也可以得到固定维度的特征 👏

第三步：由于是无监督的，所以得到每个 trace 的 embedding 后论文基于编码器来训练，以此获得更高层的 trace 特征表示，这一步比较简单就不再细述。

第四步：基于 trace 特征的异常检测和定位，这一步和想象的不一样，不是基于重构误差的。

论文中对训练的正常 trace 集合得到编码后的向量 $t_1,\cdots, t_k$ , 测试集中一条 trace 编码向量 $e_j$ ，计算 $S_{kj} = \phi(t_k, e_j)$ 间的余弦相似度。如果和所有正常 trace 间的余弦相似度平均值小于 0.5，那么 trace $e_j$ 就是异常 trace。