## Memo - 異種システムに対応できるRCA論文ははじめてみたかもしれない。 ## Abstract マイクロサービス・ベース・システム（MSS）は、その複雑で動的な性質のため、さまざまな障害カテゴリーで障害が発生する可能性がある。障害を効果的に処理するために、[[AIOps]]ツールはトレースベースの異常検知と根本原因分析を利用する。本論文では、MSSのための少数ショット異常トレース分類のための新しいフレームワークを提案する。我々のフレームワークは2つの主要コンポーネントから構成される：(1)システム固有のトレース表現を構築するためのマルチヘッドアテンションオートエンコーダ、(2)異常トレース分類のための効果的かつ効率的な[[Few Shot Learning|Few Shot学習]]を実行するためのトランスフォーマエンコーダベースのモデル無視[[メタ学習]]。提案するフレームワークを2つの代表的なMSSである[[Trainticket]]と[[Online Boutique]]のオープンデータセットで評価した。その結果、本フレームワークは、学習した知識を適応させることで、最初に学習した同じシステム内だけでなく、異なるMSSにおいても、新しい故障カテゴリの未知の異常トレースを分類できることが示された。同じMSS内で、我々のフレームワークは、各タスクに10個のインスタンスが提供されたとき、[[TrainTicket]]と[[Online Boutique]]の50個のメタテスト・タスクで、それぞれ93.26%と85.2%の平均精度を達成した。クロスシステムコンテキストでは、各タスクに10個のインスタンスが提供されたとき、当フレームワークが、各システムの同じメタ・テスト・タスクに対して、平均92.19捺印％と84.77捺印％の精度を得た。我々の研究は、MSSのための数ショットの異常トレース分類を達成することの適用可能性を示し、それがどのようにシステム間の適応性を可能にするかを示している。これは、異常検知と根本原因分析のためにシステム固有のデータ・ラベリングをあまり必要としない、より一般化されたAIOpsツールを構築する道を開くものである。