Anomaly detection and root-cause identification in microservices

# Anomaly detection and root-cause identification in microservices ## 概要 Luís M. Barata ほか(Universidade da Beira Interior ほか)による Cluster Computing 29 巻掲載のサーベイ。**2012 年から 2025 年までの 117 件**を対象とし、**データ収集方法・検知アルゴリズム・診断モデル・評価指標**の 4 軸で分類する。機械学習・統計的推測・トレースベース手法の役割に重点を置き、既存技術の限界を**スケーラビリティ・説明可能性・実時間適用性**という 3 つの観点で批判的に検討する。本 wiki には同主題のサーベイが既に 2 件あり([[Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications]](2021)・[[Failure Diagnosis in Microservice Systems]](2024))、**本サーベイはその系列で最も新しく、対象期間も最も長い**。 > [!abstract] 概要(abstract の日本語訳) > マイクロサービスアーキテクチャ(MSA)は、スケーラブルで柔軟な分散システムを構築するための支配的なパラダイムとして現れた。アプリケーションを疎結合なサービスへ分解することで、MSA はモジュール性とデプロイの機敏さを高めるが、同時にシステム監視・異常検知・根本原因特定に対して重大な難しさをもたらす。これらの難しさは、動的な振る舞いの度合いの高さ、サービスの異種性、サービス間の依存関係に起因する。本サーベイは、マイクロサービスに基づくシステムにおける異常検知と根本原因分析の最新の取り組みについて、2012 年から 2025 年までの期間を対象に包括的かつ体系的なレビューを提供する。データ収集方法・検知アルゴリズム・診断モデル・評価指標に従って分類された 117 件の選定研究を検討する。障害を検知し箇所を特定するうえでの機械学習・統計的推測・トレースベース手法の役割に重点が置かれる。さらに本サーベイは、スケーラビリティ・説明可能性・実時間適用性の観点から既存技術の限界を明らかにする。散在する研究を統一的な分析枠組みへ統合することで、本研究は手法の詳細な分類体系と、コンテナベースの仮想化環境におけるそれらの有効性についての批判的な議論を寄与する。本サーベイはこの分野の代表的かつ時宜を得た概観を提供し、現在の進展を地図化し残された空白を浮き彫りにすることを助ける。最後に、ハイブリッド検知アーキテクチャ・自動化されたトレース推論・文脈認識型の根本原因箇所特定といった有望な方向を概説し、マイクロサービスシステムの信頼性・オブザーバビリティ・運用上の回復力を高めようとする研究者と実務者への指針を提供する。 ## 書誌情報 - 著者: Luís M. Barata, Sérgio Sequeira, Eurico Lopes, Pedro R. M. Inácio, Mário M. Freire - 媒体: Cluster Computing 29, Article 309 - 受理: 2026-03-04(投稿 2025-06-14) - URL: https://doi.org/10.1007/s10586-026-06095-9 - 構成: 全 13 章(42 PDF ページ)。対象は 2012〜2025 年の 117 件 - 原本: `.raw/theses/survey-2026-anomaly-rca-microservices/` ## 構成と主要テーマ全 13 章は、導入(第 1〜3 章)・分類体系の本体(第 4 章)・研究設問への回答(第 5 章)・課題と結論(第 6〜7 章)の 4 部に分かれる。 - **第 1〜3 章(前置き)**: [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 1 Introduction]] は Alibaba の 3 万超サービスや Amazon の 2013 年・2018 年の障害を引き、CloudWatch 級の基本的な監視ツールと Chaos Monkey 級のレジリエンステストがマイクロサービスには不十分だと論じる。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 2 Related surveys and contribution]] は 7 つのデジタルライブラリを PRISMA に沿って走査し、**マイクロサービスに直接焦点を当てた先行サーベイは [26] Soldani & Brogi と [27] Zhang ほかの 2 件のみ**と同定する。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 3 Background on microservices and anomaly detection]] は点異常・文脈的異常・集団的異常の 3 類型と、教師なし・教師あり・半教師ありの 3 アプローチという基礎の枠を置く。 - **第 4 章(本体、4.1〜4.7 の 7 章)**: 本サーベイの分類体系そのもの。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.2 Data collection methods]] がログ・分散トレーシング・監視(メトリクス)の 3 軸、[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.3 Methods to identify anomalies in microservices]] が教師なし・教師あり・強化学習・トレース比較・統計分析の 5 軸、[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.4 Types of anomalies detected]] がワークフロー・性能・セキュリティの 3 軸(性能 65%・ワークフロー 25%・セキュリティ 10%)、[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.5 Root-cause identification]] が ML・グラフベース・統計の 3 軸(グラフベースが 58% で最多)を担う。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.6 Testbeds and datasets used]] は 22 件のテストベッドを集計し **Train Ticket 31%・Sock Shop 22%**、加えて **Sock Shop の非推奨化**を記録する。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.7 Methods comparison]] は 26 件のデータセットと手法カテゴリ別の平均性能を並べる。 - **第 5 章(統合)**: [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 5 Discussion]] が RQ1〜RQ5 に答え、根本原因特定をルールベース・学習ベース・ケースベース・モデルベースの 4 分類へ再整理する。 - **第 6〜7 章(展望)**: [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 6 Challenges, open issues, and directions to future investigations]] が **Trusted Distributed AI(TDAI)** を提示し、信頼性・一貫性・説明可能性・頑健性・因果妥当性・スケーラビリティ・テレメトリ完全性の 7 次元(Table 10)へ分解する。[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 7 Conclusion]] は、単一の手法だけではスケーラビリティ・説明可能性・実時間性のすべてに応えられないと結論づける。 ## 位置づけと影響 - **3 件のサーベイ系列の最新にあたる**。本サーベイ自身が先行 2 件を [26][27] として名指しており、いずれも本 wiki に取り込み済みである([26] = [[Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications]](Soldani & Brogi, ACM CSUR 2022)、[27] = [[Failure Diagnosis in Microservice Systems]](Zhang ほか, ACM TOSEM 2025))。本サーベイは前者に対して追加トピックの網羅を、後者に対して**各手法の性能と長所の議論**を差分として主張する。 - **定量的な手法比較へ踏み込んだ点**が特徴である。カテゴリ別の平均性能(統計的手法の正解率 99.2%、RCI での ML 手法の F1 99.0% など)まで集計する一方、第 5 章はデータセットとテストベッドの違い・欠測メトリクスにより**手法間比較が本質的に難しい**と自ら明言しており、数値は序列ではなく傾向として読むべきものである。 - **TDAI(Trusted Distributed AI)という切り口**は先行 2 サーベイになく、本サーベイ固有の貢献である。モデル単体の信頼ではなく、分散データ・因果的依存関係・システム全体の挙動にわたって信頼を確立するという枠組みで、信頼できる AI(trustworthy AI)の議論をマイクロサービス診断へ接続する。同時期の [[Trustworthy AI-based Performance Diagnosis Systems for Cloud Applications]] が 6 つの信頼性要件を掲げるのと呼応する動きである。 - **著者所属の偏りが著しい**。採択論文の 70%(直近 12 か月では 87%)が中国機関に属し、86% が 2020〜2024 年に集中する。分野の新興性と地理的な集中の双方が、この分類体系の一般性に影響しうる。 - **限界**は本サーベイ自身が明示する。2012 年〜2025 年 5 月・英語文献・7 ライブラリという範囲であり、選択バイアスの完全な排除はできないとする。 > [!contradiction] 収録件数が本文内で一致しない > abstract と第 2 章は一貫して **117 件**とするが、[[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.1 Anomaly detection in a microservices environment - Overview]] の §4.1 は「143 件(PRISMA 直接適用 141 件+他手法由来 2 件)を選定した」と述べる。原本の該当箇所を確認したうえで、原文どおり両方を記録し、どちらかへ寄せる解消はしていない。第 2 章の検索結果件数(1,700 件)と §4.1 の検索件数(10,485 件)も一致しない。 ## 関連 - 概念: [[異常検知]] / [[根本原因分析]] / [[Fault Localization]] / [[マイクロサービスアーキテクチャ]] / [[コンテナオーケストレーション]] / [[オブザーバビリティ]] / [[ログベース異常検知]] ## 出典 - Luís M. Barata et al., "Anomaly detection and root-cause identification in microservices: a survey", *Cluster Computing*, 29:309, 2026.