| 出典 | 原文 | 和文 | | ------------------------------------------------------------------------------------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | [[2022__arXiv__CausalRCA - Causal Inference based Precise Fine-grained Root Cause Localization for Microservice Applications\|CausalRCA]] | However, most metric-based research is coarse-grained, as shown in table I, and few keep an eye on fine-grained root cause localization. | しかし、メトリックベースの研究のほとんどは、表Iに示 すように粗視化されており、細かい根本原因の特定に焦点を 当てたものはほとんどありません。 | | [[2022__NeurIPS__Root Cause Analysis of Failures in Microservices through Causal Discovery\|RCD]] | We also assume that all the columns have discrete values as the continuous values can be discretized if needed. | 必要に応じて連続値を離散化できるため、すべての列が離散値であると仮定する。 | | [[2023__TSC__Robust Failure Diagnosis of Microservice System through Multimodal Data|DiagFusion]] | We repeat every experiment five times and take the average result to reduce the effect of randomness. | すべての実験を 5回繰り返し、平均結果をとることでランダム性の影響を軽減し ている。 | | [[2023__TSC__Robust Failure Diagnosis of Microservice System through Multimodal Data|DiagFusion]] | This means that DiagFusion can meet the needs of online diagnosis, although it has no apparent advantages among the methods in Table 5. Offline time is not a sensitive factor because it does not need to be retrained frequently. | つまり、DiagFusion は、表5の手法の中で明らかな利点はないものの、オンライン診断のニーズを満たすことができるのです。オフライン時間は頻繁に再トレーニングする必要がないため、機密性の高い要因ではありません。 | | [[2023__TSC__Robust Failure Diagnosis of Microservice System through Multimodal Data|DiagFusion]] | It is very promising that DiagFusion can also be effectively applied to much larger industrial microservice systems and more complex failure cases. | しかし、我々の実験によれば、DiagFusionは効果的で堅牢である。DiagFusionは、より大規模な産業用マイクロサービスシステムやより複雑な障害ケースにも効果的に適用できることが非常に期待されます。 | | [[2022__ICML__Causal structure-based root cause analysis of outliers\|KailashBudhathoki+, ICML2022]] | there is no reason to believe that our method will still perform sensibly | 我々の方法が感覚的に動作すると考える理由はない | | [[2019__WWW__ε-Diagnosis - Unsupervised and Real-time Diagnosis of Small-window Long-tail Latency in Large-scale Microservice Platforms\|ε-Diagnosis]] | identifying root-causes of SWLT seems like finding a needle from haystac | SWLTの根本的な原因を特定することは、干し草の中から針を見つけるようなものです。 | | [[2023__ICSE__Recommending Root-Cause and Mitigation Steps for Cloud Incidents using Large Language Models\|Ahmed+, ICSE2023]] | Human evaluation is hard to perform in every scenario, and these metrics can be useful to find the models’ relative performance. | 人 間による評価はすべてのシナリオで行うことが難しく、これら の指標はモデルの相対的な性能を見つけるのに有用である | | [[2022__arXiv__CausalRCA - Causal Inference based Precise Fine-grained Root Cause Localization for Microservice Applications\|CausalRCA]] | We use η = 10 and γ = 0.25 as default in our experiments, which is proven to work well in Yu et al. (2019), | Yu et al. (2019)でうまく機能することが証明されてい る、η = 10 と γ = 0.25 をデフォルトとして使用 | | [[2023__NOMS__Multi-stage Location for Root-Cause Metrics in Online Service Systems\|MetricMiner]] | Considering that the amount of historical data obtained by MetricMiner is much larger than other algorithms (1h → 7day), which greatly improves the final effect, it only takes about 10 seconds more, so we think it is worth it. | MetricMinerで得られる過去のデータ量が他のアルゴリズムよりはるかに多く（1h → 7day）、最終的な効果が大きく向上することを考慮すると、10秒程度多くかかるだけなので、その価値はあると考えます。 | | [[2020__NSDI__Meaningful Availability\|Meaningful Availability]] | We now study the properties of user-uptime and success- ratio in synthetic situations where we know the ground truth; | 次に、グランド・トゥルースを知っている合成的な状況において、ユーザー・アップ・タイムと成功率の特性を研究する； |