[[2022__arXiv__CausalRCA - Causal Inference based Precise Fine-grained Root Cause Localization for Microservice Applications|CausalRCA]]を[GitHub - AXinx/CausalRCA\_code](https://github.com/AXinx/CausalRCA_code)に基づき再現実装する。 ## データ収集 ## データの前処理 min-maxスケール ``` #normalize data from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() normalize = pd.DataFrame(scaler.fit_transform(metrics_value.drop(['time'], axis=1))) normalize.columns = metrics_value.columns[1:] normalized_values = pd.merge(metrics_value.time, normalize, left_index=True, right_index=True, how='left') normalized_values ``` ## [[2019__ICML__DAG-GNN - DAG Structure Learning with Graph Neural Networks|DAG-GNN]] - utils.py - modules.py - train_all_services.py - train_single_service.py - shipping memory データ？が対象 - train_latency.py ## 計算機 - [[CUDA]]を使うために、さくらクラウドでGPU搭載サーバを用意する or Google Colab or [[Deepnote]] ## ファイル - Res-Plotは、論文の図面作成notebook - bench_x は他手法と比較するコード - all_servicesとsingle_service、latencyの差異は不明。