## Memo - Google Alertより - [[Distributed Tracing|分散トレース]] [[ニューラルネットワーク]]ベース ## Abstract 現代のソフトウェアシステムはますます複雑化しており、テストや検証が困難になっています。複雑なシステムにおけるソフトウェアの部分的な異常を実行時に検出することは、意図しないソフトウェアの動作への対応、ソフトウェアの致命的な障害の回避、ソフトウェア実行時の可用性の向上を支援することができます。これらの検出技術は、最終的に避けられない故障に至る前に、故障の発現（異常）を特定することを目的としており、したがって、以下の実行時フォールトトレラント技術を支援することができる。本研究では、ソフトウェア実行時の動的実行トレースの分布に基づく、DistADと名付けた新しい[[異常検知|異常検出]]手法を提案する。KPIを用いた他の既存研究とは異なり、実行トレースは侵入型インスツルメンテーションにより実行時に収集される。インスツルメンテーションは、過剰なオーバーヘッドを避けるため、サンプリングメカニズムに従って制御される。異常検知には、[[RNN]]（Recurrent Neural Network）の一種である双方向性長期短期記憶（[[Bi-LSTM]]）を使用する。フレームワーク全体は、OCNN（One-Class Neural Network）学習モードで構築されており、十分なラベル付きサンプルの不足やデータのアンバランスの問題を解消するのに役立つ。提案手法の有効性と実現可能性を証明するために、広く利用されているデータベースシステムである[[Cassandra]]上で一連の制御された実験を行った。また、侵入型プロービングによってもたらされるオーバーヘッドも評価する。その結果、DistADは監視されていない実行と比較して、2倍以上のオーバーヘッドなしに、70%以上の精度と90%以上の再現率（正常な状態において）を達成できることが示された。 [[2022__arXiv__DistAD―Software Anomaly Detection Based on Execution Trace Distribution__translations]]