마이크로서비스 장애 관리를 위한 적응형 공간-시간 정규화 프레임워크 STAR
STAR: Adaptive Spatial-Temporal Normalization for Unified Microservice Incident Management
arXiv대규모 마이크로서비스 시스템의 장애 관리를 위해 시간적 변화와 서비스 의존성을 통합적으로 다루는 새로운 표현 학습 프레임워크 STAR가 제안되었습니다.
- STAR는 시간 적응 정규화(TAN)와 공간 적응 정규화(SAN)를 도입하여 시스템 고유 속성에 맞는 강력하고 컨텍스트 기반의 데이터 표현을 학습합니다.
- 이 기술은 지표, 로그, 추적 등 멀티모달 데이터를 통합 분석하여 이상 감지부터 근본 원인까지 복잡한 장애를 단일하게 진단할 수 있는 기반을 제공합니다.
- STAR는 비정상적인 시간 역학 및 복잡한 서비스 의존성 구조를 가진 대규모 분산 시스템 환경에서 가장 효과적으로 작동하며, 최고 성능을 입증했습니다.
대규모 마이크로서비스 시스템에서 자동화된 장애 관리는 지표, 로그, 추적 등 관측 데이터로부터 강력한 표현을 학습하는 데 의존합니다. 기존의 자기 지도 학습 프레임워크들은 이상 감지(AD), 장애 분류(FT), 근본 원인 국소화(RCL)를 위한 통합 모델링이 가능함에도 불구하고, 비정상적인 시간 역학 및 이질적인 서비스 종속성 구조를 다루는 데 어려움을 겪었습니다.
이에 본 논문은 적응형 공간-시간 표현 학습 프레임워크인 STAR를 제안합니다. STAR는 두 가지 결합된 메커니즘을 도입하여 이러한 문제를 해결합니다. 첫째, 시간적 적응 정규화(TAN)는 다중 스케일 시간 컨텍스트를 사용하여 시계열 데이터를 동적으로 정규화하며, 둘째, 공간적 적응 정규화(SAN)는 서비스 종속성 그래프 위에서 구조 인식 정규화를 수행합니다.
STAR는 이러한 적응형 표현들을 통합하여 AD, FT, RCL 작업을 위한 단일한 비지도 지원을 가능하게 합니다. 두 가지 실제 마이크로서비스 를 통해 광범위하게 실험된 결과, STAR는 세 가지 작업 모두에서 기존 최고 성능의 기준선들보다 일관되고 유의미한 개선을 달성하며 우수한 성능을 입증했습니다.
용어 풀이
- 멀티모달
- 글뿐 아니라 이미지·음성·영상처럼 여러 형태의 입력을 함께 다루는 것.
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.