## Memo - ログの[[Root Cause Analysis|RCA]] - ニューラルグレンジャー因果モデルの提案 ## Abstract 疎結合のマイクロサービスアーキテクチャは、クラウドアプリケーションにおいてそのモジュール性と弾力性の優位性から、ますます人気が高まっています。しかし、クラウド管理を深刻に複雑化させ、IT運用のパフォーマンスを低下させることも事実です。今日、AIは商取引と取引の場となり、スピードと成長のために従来のIT運用を変革しています。アプリケーションのマイクロサービス間の依存関係を推論することは、[[notes/sre/SRE]]がパフォーマンス問題の可能性のある[[Root cause|根本原因]]を診断するのに大いに役立ちますが、マイクロサービスの複雑なトポロジーが実際には不明であることが多いため、難しい作業となっています。クラウドサービスの因果関係の検出に関する先行文献では、アプリケーションのインスツルメンテーションが必要ですが、現実にはほとんど行われていません。この研究では、マイクロサービスベースのアプリケーションのログデータを監視するだけで、マイクロサービス間の依存関係の影響を推測するために、[[Granger因果性|グレンジャー因果]]モデルを活用します。まず、離散的なログデータを時系列としてモデル化するアプローチを説明し、次に線形および非線形[[自己回帰モデル]]を用いて、グレンジャー因果性問題を正式に定義する。最後に、一般に公開されているベンチマークマイクロサービスシステムからの合成データと実環境のログデータの両方に対して、最先端の線形および非線形（すなわちニューラル）グランジャー因果性手法の性能を示すために広範な比較研究を実施する。その結果、線形時系列と非線形時系列の両方において、ニューラル・グランジャー因果律モデルが従来のグランジャー因果律モデルを上回り、大規模な線形時系列に対しては、線形グランジャー因果律モデルが高い精度で効率的であることが予備的な結果として示された。また、実世界のログデータを用いて、線形およびニューラル・グレンジャー因果モデルによるマイクロサービスの依存関係グラフの推論に関する興味深い知見を示す。 [[2021__CLOUD__Detecting Causal Structure on Cloud Application Microservices Using Granger Causality Models__translations]]