## Memo ## Abstract トレースデータは大量かつ複雑であるため、異常検出、故障診断、テールベースサンプリングなどのマイクロサービストレース解析タスクは、広く機械学習技術を採用しています。これらのトレース解析アプローチは、通常、前処理ステップを使用して、トレースの構造化された特徴をアドホックな方法でベクトル表現にマッピングしています。そのため、サービスオペレーション間のトポロジー依存性などの重要な情報が失われる可能性がある。本論文では、対照学習とグラフニューラルネットワークに基づくトレース表現学習アプローチであるTraceCRLを提案し、下流のトレース解析タスクにグラフ構造情報を取り込むことができるようにする。TraceCRLは、トレースが与えられたとき、ノードがサービスオペレーション、エッジがオペレーション呼び出しを表すオペレーション呼び出しグラフを、呼び出し状況や関連メトリクスに関する定義済みの特徴量とともに構築する。TraceCRLはトレースの操作呼び出しグラフに基づいて、トレース表現のための[[Graph Neural Network]]ベースのモデルを訓練するために対照的な学習方法を使用します。特に、TraceCRLは、[[対照学習]]におけるクラスの衝突と表現の均一性の問題を緩和するために、6つのトレースデータ拡張戦略を採用している。我々の実験的研究により、TraceCRLはトレース異常検出とオフライントレースサンプリングのパフォーマンスを大幅に向上させることができることが示された。また、トレース増強戦略の有効性とTraceCRLの効率性を確認することができる。 ## 1. Introduction