# AirAlert ## 定義 AirAlert は Microsoft クラウドで提案・実証されたアウテージ予測・診断システム。クラウドの「system of systems」全体を見渡すグローバルウォッチャとして、全コンポーネントから収集したアラート信号を入力とし、(1) **Bayesian network**(FCI アルゴリズムによる無向骨格)で信号-アウテージの依存関係を学習して「直接接続する信号集合」を選別、(2) **XGBoost**(gradient boosting tree)でアウテージの発生有無を時間粒度で分類予測する。SMOTE で稀少アウテージの不均衡を補正。Microsoft 1 年・6 サービス・約 8,000 サンプルで評価され、サービスレベルアウテージ予測で F1 53.92-88.78% を達成。(Source: [[@2019__WWW__Outage Prediction and Diagnosis for Cloud Service Systems]]) 2 モード: - **AirAlert Related**: Bayesian network の selected signals のみを XGBoost に投入。 - **AirAlert Full**: 全 alerting signals を投入。 ## 横断的知見 - **独立した後続研究(eWarn)が AirAlert を追試し、Microsoft クラウド以外のドメインでは性能が大きく崩れることを実証した**: [[@2020__ESEC-FSE__Real-Time Incident Prediction for Online Service Systems|eWarn]](Zhao+, ESEC/FSE 2020)は AirAlert を比較手法として再実装し、大手商業銀行の 11 実サービスシステムで平均 F1 0.51 にとどまることを報告した(eWarn 自身は F1 0.82)。一次論文の Microsoft クラウド環境での F1 53.92-88.78%(サービスレベルアウテージ)と比べ大きく劣る結果であり、AirAlert の「アラート種別件数のみ」という特徴設計がドメイン(クラウドインフラ vs 銀行のオンラインサービス)を跨いで頑健でない可能性を示唆する。eWarn はこの性能差を「複雑なアラートパターンを表現できず、ノイズアラートへの対処もない」ためと分析している。(Source: [[@2020__ESEC-FSE__Real-Time Incident Prediction for Online Service Systems]], [[@2019__WWW__Outage Prediction and Diagnosis for Cloud Service Systems]]) - **ノイズ対処の設計思想が両者で異なる**: AirAlert は Bayesian network(FCI)で「直接接続する信号集合」を選別する形で特徴選択レベルのノイズ対処を行うのに対し、eWarn は multi-instance learning で観測窓を細粒度インスタンスに分割し、クラスタリングで「ノイズの多いインスタンス」に小さい重みを与える形でアグリゲーションレベルのノイズ対処を行う。同じ「アラートベース予測+ノイズ対処」という問題設定に対し、上流(特徴選択)と下流(特徴集約)という異なる段階で対処する2つの設計が独立に提案された。(Source: [[@2020__ESEC-FSE__Real-Time Incident Prediction for Online Service Systems]]) ## 未解決の問い - AirAlert の本番展開後の運用報告は本論文に含まれない。Microsoft の後続研究(同 Qingwei Lin・Dongmei Zhang チームの iDice・Onion・Gandalf 等)でどう発展したか。 - eWarn が報告した AirAlert の性能崩壊(F1 0.51)は、AirAlert の設計自体の限界か、それとも銀行ドメインへの再実装上の違い(ハイパーパラメータ調整・特徴量の解釈差)によるものか。eWarn 論文には AirAlert のパラメータ設定を「原論文に従った」とあるが、Bayesian network の構造学習(FCI)がデータセット固有にどこまで敏感かは両論文からは判断できない。 - FCI Bayesian network が出す DAG は実際は PAG(Partial Ancestral Graph)で因果方向が部分的にしか決まらない。本論文は接続性のみ利用するが、方向情報を併用することで予測精度が上がるか。 - 1 時間粒度で予測する設計が、分・秒の細粒度監視と統合できるか。マイクロサービスのレイテンシ揺らぎは秒スケールで動くため、AirAlert の粒度では捉えきれない可能性。 - AirAlert Related が AirAlert Full を上回るケースが多いが、Cloud Network のみ逆転(53.92% vs 71.22%)。Bayesian network の selection が信頼できないケースを事前に判定できるか。 ## 関連 - 親概念: [[障害予測]]・[[アラート管理]] - 同系統手法: PAGER(Adobe、random forest + LLM 説明、2026)・iDice(Microsoft、Lin+ ICSE2016)・Gandalf(Microsoft、NSDI2020)・PreFix(Tsinghua、Zhang+ SIGMETRICS2018、SuperBench で参照)・eWarn(Tsinghua/BizSeer/EverBright Bank、Zhao+ ESEC/FSE2020、AirAlert を追試し上回った後続研究) - 構成技術: Bayesian network(FCI アルゴリズム)・XGBoost・SMOTE・Pearson 相関 + Fisher's z - ソース: [[@2019__WWW__Outage Prediction and Diagnosis for Cloud Service Systems]] / [[@2020__ESEC-FSE__Real-Time Incident Prediction for Online Service Systems]] ## 出典 - [[@2019__WWW__Outage Prediction and Diagnosis for Cloud Service Systems]] §3-§4。 - [[@2020__ESEC-FSE__Real-Time Incident Prediction for Online Service Systems]] §4.2(AirAlert 追試結果と性能崩壊の分析)。