# FL-AIer **FL-AIer**（Fault Localization — Actionable and Interpretable）は、Dalian Maritime University と Dalian University of Technology が共同提案した障害箇所特定システムである（ACM TOSEM 2025、doi:10.1145/3714466）。GitHub 名は **FL-Hunter**（https://github.com/Alegkria/FL-Hunter）。 ## アーキテクチャ 3 つのコンポーネントからなる: 1. **特徴符号化コンポーネント**: GRU → 1D-CNN (GELU) → 全結合層で時間的特徴を抽出し、多層 GAT（残差モジュール付き）で障害伝播の空間的特徴を符号化する。 2. **障害箇所特定コンポーネント**: 位置符号化 + マルチヘッドアテンション + Add & Norm で障害特徴間の複雑な依存関係を解消し、各障害ユニットの疑惑スコア $S_T(v) \in [0, 1]$ を出力する二値分類器。 3. **Fault Knowledge Balancing (FKB)**: 過剰サンプリング（全種別の確率を $1/C$ に均等化）+ 重み付き KL ダイバージェンス損失（障害ユニット重み = 正常ユニット総数）で不均衡分布に対処する。 ## 解釈可能性 特徴符号化コンポーネントのデコーダ（1D 転置畳み込み + 全結合層）が再構成誤差の大きな不要特徴を除去した後、FL-AIer の出力を目標変数として意思決定木(DT)を代理モデルとして訓練する。エンジニアはステップ別の診断経路を確認でき、LR・LIME のような重要度スコアとは異なる説明可能性を持つ。 ## 性能 4 データセット（ISP マイクロサービス / 商業銀行 SOA / 商業銀行 Oracle DB / [[Train-Ticket]]）で評価: - A@1 平均: **76.45%**（先行手法 DéjàVu より +9.24%） - 推論時間: **0.03〜0.07 秒**（Random Forest より 75〜96% 削減） 最適ハイパーパラメータ: GAT ヘッド $H_1=4$、GAT 層 $L=8$、アテンションヘッド $H_2=6$、特徴次元 $Z=3$、学習率 0.01。 ## 関連 - ソース: [[@2025__TOSEM__Making Fault Localization in Online Service Systems More Actionable and Interpretable]] - 開発者: [[Shikai Guo]]・[[He Jiang]] ほか - 前提手法: DéjàVu（Li et al., ESEC/FSE 2022） - 評価データセット: [[Train-Ticket]] - 概念: [[Fault Localization]] / [[根本原因分析]]