eIRWR: Enhanced Iterative Random Walk with Restart for Scalable Root Cause Analysis in Microservices
本文介绍了 eIRWR，一种增强型迭代随机游走重启算法，该算法通过将重启质量集中在可疑节点并优化转移概率，提升了微服务中可扩展根因分析的性能，与现有基准相比，在大规模拓扑结构上实现了显著更高的准确率和低延迟。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网就像一座繁忙、喧闹的大都市，数以百万计微小且专业化的工人（被称为“微服务”）在其中不断传递便条，以此来构建网站、播放视频并处理您的在线订单。当一切运转正常时，这是一场高效的交响乐。但当其中一名工人被自己的鞋带绊倒时，混乱可能会向外扩散，引发连锁反应，导致整个街区瘫痪。要弄清楚究竟是谁先绊倒的，就像是在一个因为一个喷嚏而导致全场都在咳嗽的体育场里，试图寻找那个最初打喷嚏的人。这就是“根因分析”（RCA）的世界，它是保持我们数字生活顺畅运行的关键任务。为了解决这个问题，科学家们经常使用一种被称为“带重启的随机游走”（Random Walk with Restart）的巧妙技巧。想象一位侦探在城市的地图中漫游，顺着交通流向移动。每当侦探感到困惑或遇到死胡同时，他们就会神奇地传送回噪音最大的现场重新开始。这种方法的希望在于，通过多次重复这样做，侦探最终会把大部分时间花在问题真正开始的地方，而不是仅仅停留在噪音最响亮的地方。
这篇题为《EIRWR》的论文深入探讨了我们如何让这位侦探变得更加聪明。作者 Saiful Khan 和 Afrah Farea 发现，旧有的这种侦探游走方式存在一个重大的盲点。他们发现，许多之前的方法实际上是在不经意间让侦探传送回那些最响亮的“受害者”（比如那些咳得最厉害的人），这往往会将侦探从真正的“喷嚏源头”引开。通过仔细的测试，他们证明了一种被称为“韧性阻尼”（resilience damping）的流行技术——此前被认为是一种模拟服务如何处理故障的高级新方法——实际上只是频繁传送的一种数学伪装。它并没有真正教会侦探关于问题发生方向的新知识。
因此，团队构建了一个全新的、升级版的侦探系统，称为 eIRWR（增强型迭代随机游走重启法）。eIRWR 不再只是传送回最响亮的噪音，而是利用一种“幂律”（power-law）技巧来锐化焦点，忽略背景杂音，并精准锁定那些最可疑、最独立的线索。他们还给了侦探一张特殊的地图，其中包含了“反向边”（backward edges），允许侦探逆着交通流向上游行走以寻找源头，并增加了“自环”（self-loops），使侦探能在看起来像是问题真正起源的地方停留更长时间。
他们的模拟结果令人印象深刻。在拥有高达 25,000 个服务的庞大数字城市地图上进行测试时，新的 eIRWR 侦探在线索较为清晰的情况下，找到了真实根因，得分高达 0.75（满分为 1.0），这几乎是之前最佳方法的近三倍。当线索非常清晰时，它的得分达到了 0.94。或许对于实际应用而言最重要的一点是，它在处理包含 17,000 个节点的图时，完成这些计算的时间不到 25 毫秒，这意味着它可以在系统运行时被即时使用。论文得出结论，虽然我们并不总能完美地看到根因（尤其是当它完全隐藏起来时），但重塑我们“重启”搜索的方式，是区分真正的罪魁祸首与被卷入战火的无辜旁观者的关键。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。