The Abstention Protocol: RCA for Clos Fabrics
यह शोध पत्र CoreSec को प्रस्तुत करता है, जो बड़े पैमाने के क्लॉस (Clos) फैब्रिक्स के लिए एक प्रोडक्शन रूट कॉज एनालिसिस सिस्टम है, जो शोर वाले टेलीमेट्री वातावरण में स्थिर, व्याख्यात्मक और एकदिष्ट (monotonic) विफलता एट्रिब्यूशन प्राप्त करने के लिए अस्थिर स्कोर-आधारित फ्यूजन को एक नियत (deterministic) PAM-शैली के एब्स्टेंशन अलजेब्रा से बदल देता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक क्लाउड कंप्यूटिंग की विशाल, गूँजती हुई वास्तुकला में, डेटा एक एकल पाइप के माध्यम से नहीं बल्कि कनेक्शनों के एक विस्तृत, बहु-स्तरीय जाल के माध्यम से बहता है। एक ऐसे शहर की कल्पना करें जहाँ हर इमारत एक स्थानीय पड़ोस के स्विच से जुड़ी है, जो बदले में एक जिला हब से जुड़ती है, जो अंततः एक केंद्रीय रीढ़ (स्पाइन) से जुड़ती है। यह संरचना, जिसे क्लोज़ फैब्रिक (Clos fabric) कहा जाता है, लाखों सर्वरों को अविश्वसनीय गति और अतिरेक (redundancy) के साथ एक-दूसरे से बात करने की अनुमति देती है। यदि एक रास्ता अवरुद्ध हो जाता है, तो ट्रैफ़िक बस दूसरा रास्ता खोज लेता है। इस डिज़ाइन के कारण, सिस्टम अविश्वसनीय रूप से लचीला है; यह हर दिन हजारों छोटे, यादृच्छिक ग्लिच को—जैसे कि एक ढीली केबल, एक टिमटिमाती रोशनी, या एक संक्षिप्त सॉफ़्टवेयर हिचकी—को बिना किसी औसत उपयोगकर्ता को पता चले सोख सकता है। हालाँकि, यह निरंतर बैकग्राउंड शोर उन इंजीनियरों के लिए एक गंभीर समस्या पैदा करता है जो सिस्टम को चलाने का काम करते हैं। जब किसी ग्राहक के लिए कोई विशिष्ट सेवा विफल होती है, तो सिस्टम सैकड़ों चेतावनियों के साथ जगमगा उठता है। चुनौती टूटे हुए हिस्सों को खोजने की नहीं है, बल्कि यह पता लगाने की है कि उन कई टूटे हुए हिस्सों में से वास्तव में किस एक ने विशिष्ट आउटेज का कारण बनाया।
वर्षों तक, इस पहेली को हल करने का मानक तरीका प्रत्येक चेतावनी संकेत को एक स्कोर देना था। यदि एक केबल में त्रुटि की उच्च संख्या थी, तो उसे उच्च स्कोर दिया गया। यदि एक स्विच रीबूट हुआ, तो उसे एक स्कोर मिला। सिस्टम इन स्कोरों को जोड़ता था, और जिस इकाई का कुल योग सबसे अधिक होता था, उसे परेशानी के लिए दोषी ठहराया जाता था। यह दृष्टिकोण तब तक ठीक काम करता था जब नेटवर्क शांत रहता था, लेकिन एक हाइपरस्केल वातावरण में, यह अक्सर विफल हो जाता था। क्योंकि बैकग्राउंड में हमेशा कुछ न कुछ शोर बना रहता है, सिस्टम अक्सर तब भी एक "दोषी" ढूंढ लेता था जब वास्तव में कुछ भी गलत नहीं होता था, या इसने गलत डिवाइस को दोषी ठहरा दिया क्योंकि स्कोर इतने करीब थे कि अंतर करना कठिन था। इंजीनियरों ने पाया कि एक प्रकार की त्रुटि को ठीक करने के लिए इन स्कोरों को सूक्ष्म रूप से ट्यून करने की कोशिश करने से अनजाने में सिस्टम की दूसरी त्रुटि को पकड़ने की क्षमता बाधित हो जाती थी। परिणाम अनिश्चितता का एक चक्र था, जहाँ स्वचालित सुधार कभी-कभी गलत अलार्म के कारण ट्रिगर हो जाते थे, जिससे स्थिति सुधरने के बजाय और खराब हो जाती थी।
इसे हल करने के लिए, माइक्रोसॉफ्ट की एक टीम ने 'कोरसेक' (CoreSec) नामक एक नया सिस्टम विकसित किया, जो यह बदल देता है कि इन निर्णयों को लेने का मौलिक तर्क क्या है। स्कोर जोड़ने के बजाय, नया सिस्टम जांच को सख्त, स्वतंत्र जाँच की एक श्रृंखला के रूप में मानता है, ठीक वैसे ही जैसे एक सुरक्षा प्रणाली किसी व्यक्ति की पहचान सत्यापित करती है। एक उच्च-सुरक्षा वाली इमारत में, एक गार्ड पासवर्ड, फिंगरप्रिंट और की कार्ड की मांग कर सकता है। यदि पासवर्ड गायब है, तो गार्ड अनुमान नहीं लगाता; वे बस प्रवेश से इनकार कर देते हैं और प्रक्रिया को रोक देते हैं। कोरसेक नेटवर्क विफलताओं के लिए इसी "परहेज" (abstention) तर्क को लागू करता है। यह विभिन्न प्रकार के डेटा को विशिष्ट भूमिकाएँ सौंपता है। कुछ संकेत अनिवार्य हैं: यदि कोई महत्वपूर्ण साक्ष्य गायब है या पुराना (stale) है, तो सिस्टम निर्णय लेने से इनकार कर देता है। अन्य संकेत अपने आप में पर्याप्त हैं: यदि एक विशिष्ट, निर्विवाद त्रुटि पाई जाती है, तो सिस्टम देखना बंद कर देता है और तुरंत कारण का नाम बताता है।
यह सिस्टम पांच अलग-अलग समानांतर जांच चलाता है, जिनमें से प्रत्येक नेटवर्क की एक अलग परत को देखता है, सर्वरों को जोड़ने वाली व्यक्तिगत केबलों से लेकर पूरे फैब्रिक को थामने वाले विशाल स्पाइन स्विचों तक। प्रत्येक जांच यह तय करने के लिए अपने स्वयं के नियमों का उपयोग करती है कि क्या उसके पास किसी विशिष्ट कारण के पक्ष में वोट देने के लिए पर्याप्त सबूत हैं। यदि सबूत स्पष्ट हैं, तो वह वोट देता है। यदि सबूत गायब हैं या विरोधाभासी हैं, तो वह परहेज करता है। यह एक महत्वपूर्ण बदलाव है। पुराने सिस्टम में, कंप्यूटर को तब भी एक विजेता चुनने के लिए मजबूर किया जाता था जब वह उत्तर नहीं जानता था। नए सिस्टम में, अज्ञानता को स्वीकार करना एक वैध और उपयोगी परिणाम है। जब सिस्टम परहेज करता है, तो वह मानव इंजीनियरों को बताता है, "मैं अभी निश्चित नहीं हो सकता," और मामले को एक स्पष्ट सारांश के साथ उन्हें सौंप देता है कि कौन सा डेटा गायब था। यह सिस्टम को आत्मविश्वासी लेकिन गलत अनुमान लगाने से रोकता है जो अनावश्यक और संभावित रूप से हानिकारक मरम्मत को ट्रिगर कर सकते हैं।
एक बार जब पांच समानांतर जांच पूरी हो जाती है, तो तर्क का दूसरा स्तर उनके परिणामों को संयोजित करने के लिए कदम रखता है। यह तर्क नेटवर्क के भौतिक आकार को समझता है। यह जानता है कि यदि एक एकल स्विच विफल होता है, तो यह कुछ सर्वरों को प्रभावित कर सकता है, लेकिन यदि एक उच्च-स्तरीय हब विफल होता है, तो यह एक लहर जैसा प्रभाव पैदा करेगा जिससे कई स्विच बीमार दिखाई देंगे। सिस्टम यह तय करने के लिए सरल, हार्ड-वायर्ड नियमों का उपयोग करता है कि वास्तव में कौन सा स्तर जिम्मेदार है। उदाहरण के लिए, यदि एक उच्च-स्तरीय स्विच संदिग्ध है, तो सिस्टम यह जांचता है कि क्या उससे जुड़े कम से कम दो-तिहाई छोटे स्विच भी समस्याओं को दिखा रहे हैं। यदि वे ऐसा करते हैं, तो सिस्टम निष्कर्ष निकालता है कि उच्च-स्तरीय स्विच ही मूल कारण है और नीचे के व्यक्तिगत स्विचों को अनदेखा कर देता है। यह सिस्टम को लक्षणों से विचलित होने और नेटवर्क के गलत स्तर को दोषी ठहराने से रोकता है।
एज़्योर (Azure) क्लाउड के साठ से अधिक क्षेत्रों में इस सिस्टम को तैनात करने के परिणाम आश्चर्यजनक रहे हैं। तीन वर्षों की अवधि में, सिस्टम ने 7,00,000 से अधिक घटनाओं को प्रोसेस किया। गलत अलार्म की दर, जहाँ सिस्टम ने एक स्वस्थ डिवाइस को दोषी ठहराया था, लगभग बीस प्रतिशत से गिरकर एक प्रतिशत से भी कम हो गई। साथ ही, जितनी बार सिस्टम ने मानव सहायता के बिना समस्या को सही ढंग से पहचाना, उसमें उल्लेखनीय वृद्धि हुई। शायद सबसे महत्वपूर्ण बात यह है कि सिस्टम ने हर घटना के लिए डेटा को मैन्युअल रूप से समीक्षा करने और विरोधाभासी डेटा को सुलझाने के लिए तीन पूर्णकालिक इंजीनियरों की आवश्यकता को समाप्त कर दिया। वे इंजीनियर जो पहले घंटों तक इन उलझनों को सुलझाने में बिताते थे, अब एक स्पष्ट, संरचित रिपोर्ट प्राप्त करते हैं जो उन्हें ठीक से बताती है कि सिस्टम ने क्या पाया, वह किस बारे में निर्णय नहीं ले सका, और उन्हें आगे कहाँ देखना चाहिए।
कोरसेक की सफलता इसके अनुमान लगाने से इनकार करने में निहित है। डेटा स्रोतों के संलयन (fusion) को एक स्कोरिंग गेम के बजाय एक संरचनात्मक समस्या (composition problem) के रूप में मानकर, सिस्टम उस स्तर की स्थिरता प्राप्त करता है जो पहले असंभव था। यह जटिल मशीन लर्निंग मॉडल पर निर्भर नहीं करता है जो नेटवर्क के विकसित होने के साथ अपना व्यवहार बदल सकते हैं। इसके बजाय, यह नियमों के एक निश्चित सेट का उपयोग करता है जो विभिन्न हार्डवेयर, विभिन्न ट्रैफ़िक पैटर्न और विभिन्न डेटा सेंटर डिज़ाइनों में काम करने के लिए सिद्ध हुए हैं, बिना किसी पुन: ट्यूनिंग की आवश्यकता के। सिस्टम ने दिखाया है कि शोर भरे, अपूर्ण सूचनाओं की दुनिया में, सबसे शक्तिशाली उपकरण अक्सर यह कहने की क्षमता है, "मुझे नहीं पता," और बेहतर साक्ष्य की प्रतीक्षा करना है। इस दृष्टिकोण ने रूट कॉज़ एनालिसिस (मूल कारण विश्लेषण) को संभावना के खेल से बदलकर एक विश्वसनीय, व्याख्या योग्य प्रक्रिया में बदल दिया है, जिससे क्लाउड को स्थिर रहने में मदद मिलती है भले ही वह बड़ा और अधिक जटिल होता जा रहा हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।