# Train-Ticket 鉄道チケット予約を題材にした大規模マイクロサービスのベンチマークシステム(Zhou et al., 2018, IEEE TSE)。現実的な本番環境の模擬に広く使われる。 - [[MicroRemed]] は Train-Ticket を統合し、3 評価システムの中で**最も依存グラフと障害シナリオが複雑**で、最も難しい環境(最高 RA が低く最高 ARL)と報告する。([[@2025__arXiv__MicroRemed - Benchmarking LLMs in Microservices Remediation]]) - [[@2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]] の実証研究で 41 マイクロサービスとして使用。[[Sock Shop]] より通信パスが長く露出するメトリクスが多い大規模環境。[[Meltria]] で障害注入データセットを作成。([[@2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]]) - [[@2025__arXiv__Rethinking the Evaluation of Microservice RCA with a Fault Propagation-Aware Benchmark]] は Train-Ticket を「最大級(50 サービス)の OSS マイクロサービス」と評価し、障害伝播を意識した RCA ベンチマークの基盤に選んだ。Nezha 版(ログにトレース ID を計装)の上に構築し、状態機械ベースの動的ワークロードでサービスカバレッジ 84%(42/50)・最大コール深度 7 を達成。10 程度のサービスしか持たない [[Sock Shop]]・[[Online-Boutique]]・SocialNetwork(=[[DeathStarBench]] 系)では本番の依存ウェブを模擬できないとする。([[@2025__arXiv__Rethinking the Evaluation of Microservice RCA with a Fault Propagation-Aware Benchmark]]) - [[@2025__ISSTA__Tracezip - Efficient Distributed Tracing via Trace Compression|Tracezip]](ISSTA 2025)は Train-Ticket の 41 マイクロサービスをトレース圧縮の評価環境に使用。マイクロサービス間の呼び出しグラフが複雑でビジネスロジック情報が多いため、汎用圧縮(gzip 32KB 窓長)では捉えきれない大域的冗長性が存在し、Tracezip の SRT が最大の改善幅(gzip 併用で 33.0%)を達成した。([[@2025__ISSTA__Tracezip - Efficient Distributed Tracing via Trace Compression]]) - [[@2025__WWW Companion__RCAEval - A Benchmark for Root Cause Analysis of Microservice Systems with Telemetry Data]] は Train Ticket を**64 サービスのベンチマーク用マイクロサービスとして最大規模**と評価し、HTTP+非同期通信を含むコールチェーンの複雑さを [[RCAEval]] の 3 評価対象システムの中で最も挑戦的なものと位置づけた。本論文の予備実験(Table 6, RE2)も Train Ticket 上で実施。([[@2025__WWW Companion__RCAEval - A Benchmark for Root Cause Analysis of Microservice Systems with Telemetry Data]]) - [[@2023__arXiv__Benchmarks for End-to-End Microservices Testing]] は **version 1.0.0**(2022-08-09 release、FudanSELab/train-ticket、Java Spring Boot + Node.js + Python + Go + MongoDB + MySQL、47 microservices)を採用、Selenium + JUnit/TestNG で 51 ユースケースの functional regression テスト、Gatling で booking シナリオの負荷テストを公開(Zenodo DOI 10.5281/zenodo.7877723)。1,000 ユーザで 10.2% / 2,500 ユーザで 21.6% / 5,000 ユーザで 43.2% が 800ms 超。 - [[@2024__MSR__A Dataset of Microservices-based Open-Source Projects]] が OSS-MS dataset の Top 50 で **`FudanSELab/train-ticket` を 42 microservices の software system**(2018-01-03 first commit、15 core developers、984 commits)として収録。dataset 内で 3 番目に大きい OSS-MS。 - [[@2026__SANER-C__TrainTicketTrace - A Multi-Fault Distributed Dataset for Microservice Fault Detection and Localization]] が Train-Ticket 42 services を [[EvoMaster]] white-box mode で 1 サービスあたり 1 時間テスト、9 種の seeded fault branch + 1 cleaned baseline で計約 380 時間のデータを収集(平均 440,000 traces/branch、Jaeger + Prometheus + Logback)。dataset は Zenodo DOI 10.5281/zenodo.17811972。著者は fault replication repo の不整合を発見し reference implementation を修正。 - [[@2025__TOSEM__Making Fault Localization in Online Service Systems More Actionable and Interpretable]] (FL-AIer) の sysD として使用。156 障害、5,724 メトリクス、1,044 障害ユニット、23 障害クラス。[[ChaosMesh]] で CPU/メモリストレス・Pod/ノード障害・パケット破損/ロス/遅延を注入。FL-AIer はこの最大データセットで A@1 87.39% を達成し、4 データセット中最高性能を示した。 - [[@2026__ICPE Companion__Representation-Aware Root Cause Analysis with Large Language Models (Position Paper)]] は Li et al.(2021)のデータセット(41 マイクロサービス、20万件超の分散トレース、約22,000件が注入障害でアノテーション)を用い、LLM(Google Gemini 1.5)による RCA が観測性データの表現(粒度・モダリティ・明示性)にどう影響されるかを探索的に評価した。同論文では非LLM手法 TraceRCA を参考値として併記し、最良の LLM 設定(invocation-level + summarization + implicit labels)でも TraceRCA の Top1 精度(64.8%)には届かなかった(LLM 側 54.5%)。 - [[@2026__FSE__TORAI - Multi-source Root Cause Analysis for Blind Spots in Microservice Service Call Graph]] は Train Ticket を 64 サービス中 27 のみトレース計装済み(37 blind spot)の大規模環境として評価し、CausalRCA が 2 時間制限を超過する規模でも 20.59 秒で RCA を完了する効率性を示した。(Source: [[@2026__FSE__TORAI - Multi-source Root Cause Analysis for Blind Spots in Microservice Service Call Graph]]) - [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]] は Train-Ticket(47 サービス、90 インスタンス)を 6VM の Kubernetes クラスタにデプロイし、[[OpenTelemetry]] + Grafana Tempo でトレースを収集、初の LLM トレース分析ベンチマーク TraceBench(38タスク・30,400 I&R組・12,988トレース)の構築基盤とした。RCA・障害検知向けの利用が主流だった従来研究群に対し、LLM の自然言語トレース理解能力の評価・ファインチューニングという新しい利用目的を追加した。(Source: [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]]) - Gleaner([[@2026__ISSTA__Gleaner : A Semantically-Rich and Efficient Online Sampler for Microservice Diagnostics]]、ISSTA 2026 採択)は Train-Ticket 上に ChaosMesh で 161 件の障害注入ケース(アプリ CPU/mem、ネットワーク遅延/損失/分断、HTTP リクエスト遅延/中断/改ざん、コンテナ kill の 16 種)を収集し、総トレース数 1,474,537 件・トレースパターン数 285,059 種という新規大規模ベンチマークデータセット(Dataset A)を構築・公開した。トレースサンプリング品質と下流 RCA 精度の関係を検証する目的で、[[@2026__SANER-C__TrainTicketTrace - A Multi-Fault Distributed Dataset for Microservice Fault Detection and Localization|TrainTicketTrace]] や FL-AIer の sysD とは異なる障害注入プロトコルと規模で Train-Ticket を再利用した事例。(Source: [[@2026__ISSTA__Gleaner : A Semantically-Rich and Efficient Online Sampler for Microservice Diagnostics]]) - [[@2024__arXiv__Failure Diagnosis in Microservice Systems - A Comprehensive Survey and Analysis - Chapter 6 Datasets and Metrics]] は TrainTicket を「復旦大学(Fudan University)の研究チームが開発した列車チケット予約のベンチマークシステムで、24 のマイクロサービスが実世界の産業マイクロサービスシステムに似た形で相互作用する」と紹介する。この24という値は本ページが既存に持つ41〜64の各種カウント(調査論文・データセット構築時期ごとの計装範囲の違いに由来)よりも小さく、サーベイ執筆時点で参照した版または記述の粒度差を示す。同章はさらに、TrainTicket 上で収集された3つの独立したデータセット(TrainTicket-DéjàVu: メトリクス・障害・トポロジ、TrainTicket-Eadro: ログ・メトリクス・トレース、TrainTicket-Nezha: ログ・メトリクス・トレース)を、公開データセット一覧(Table 7)の代表例として挙げている。(Source: [[@2024__arXiv__Failure Diagnosis in Microservice Systems - A Comprehensive Survey and Analysis - Chapter 6 Datasets and Metrics]] §6.1) - [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.6 Testbeds and datasets used]] は、2012〜2025年の117件の収録論文を対象に、Train Ticket を22件のテストベッド中**最も利用比率の高いオープンソースプラットフォーム(31%)**と報告し、41マイクロサービス・Java/Node.js/Python/MongoDB/MySQLという構成を挙げる。これは本ページが既存に集約してきた「Train-Ticket が microservice fault localization/RCA 研究の共通基盤である」という知見を、117件規模の独立な文献集合から定量的に裏付けるものである。(Source: [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.6 Testbeds and datasets used]] §4.6, Fig. 6) ## 未編纂の観察 - [利用実績] trajectory-level RCA 評価論文([[RCABench]] を主ベンチマークに採用)の障害伝播経路注釈でも基盤トポロジーとして再利用された(Source: [[@2026__arXiv__Beyond Fault Localization - A Trajectory-Level Study of LLM Agents for Microservice Root Cause Analysis]]) ## 関連 - 本ソース: [[@2023__arXiv__Benchmarks for End-to-End Microservices Testing]] / [[@2024__MSR__A Dataset of Microservices-based Open-Source Projects]] / [[@2025__arXiv__MicroRemed - Benchmarking LLMs in Microservices Remediation]] / [[@2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]] / [[@2025__arXiv__Rethinking the Evaluation of Microservice RCA with a Fault Propagation-Aware Benchmark]] / [[@2025__WWW Companion__RCAEval - A Benchmark for Root Cause Analysis of Microservice Systems with Telemetry Data]] / [[@2026__SANER-C__TrainTicketTrace - A Multi-Fault Distributed Dataset for Microservice Fault Detection and Localization]] / [[@2025__TOSEM__Making Fault Localization in Online Service Systems More Actionable and Interpretable]] / [[@2026__ICPE Companion__Representation-Aware Root Cause Analysis with Large Language Models (Position Paper)]] / [[@2026__FSE__TORAI - Multi-source Root Cause Analysis for Blind Spots in Microservice Service Call Graph]] / [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]] / [[@2026__ISSTA__Gleaner : A Semantically-Rich and Efficient Online Sampler for Microservice Diagnostics]] / [[@2024__arXiv__Failure Diagnosis in Microservice Systems - A Comprehensive Survey and Analysis - Chapter 6 Datasets and Metrics]] / [[@2026__Cluster Computing__Anomaly detection and root-cause identification in microservices - a survey - Chapter 4.6 Testbeds and datasets used]] - 利用するベンチマーク: [[MicroRemed]] / [[MetricSifter]] / [[RCAEval]] - データセット基盤: [[Meltria]] - 関連概念: [[SRE Benchmark]] / [[障害緩和]] / [[Fault Localization]] / [[根本原因分析]] / [[障害注入]] - 類似システム: [[Sock Shop]] / [[Online-Boutique]] / [[DeathStarBench]] - 関連 MOC: [[SRE - MOC]] - ソース: [[@2026__arXiv__Beyond Fault Localization - A Trajectory-Level Study of LLM Agents for Microservice Root Cause Analysis]]