چارچوب AIOps برای پیشبینی و ریشه یابی هوشمند خرابی در میکروسرویس ها رویکردی ترکیبی از LSTM و گراف علیت

گسترش روز افزون معماری های میکروسرویس و بومی ابری (Cloud-Native)، پیچیدگی نظارت بر سیستم ها را به شدت افزایش داده است. در چنین محیط هایی روش های مانیتورینگ سنتی مبتنی بر آستانه های ایستا به دلیل نرخ بالای هشدارهای مثبت کاذب و ماهیت واکنشی کارایی خود را از دست داده اند. پژوهش حاضر یک چارچوب مهندسی نرم افزار داده محور (DDSE) نوین را ارائه می دهد که با بهره گیری از AIOps، پارادایم نظارت را از «کشف خطا» به پیش بینی پیش دستانه خرابی تغییر می دهد. معماری پیشنهادی ما به صورت ترکیبی عمل می کند: نخست، یک مدل LSTM Autoencoder الگوهای رفتاری نرمال متریک های سیستم را بدون نظارت یاد می گیرد تا ناهنجاری های زمانی را شناسایی کند. سپس یک ماژول کاوش گراف علیت (Causal Graph Mining) ناهنجاری های کشف شده را با داده های ردیابی توزیع شده ادغام کرده تا ریشه اصلی خطا را به صورت بلادرنگ شناسایی نماید. نتایج ارزیابی بر روی بنچمارک های میکروسرویس ها نشان می دهد که این رویکرد ضمن پیش بینی دقیق خرابی ها با خودکارسازی فرآیند ریشه یابی زمان میانگین تعمیر (MTTR) را به طور معناداری کاهش می دهد.

کلیدواژه ها:

مهندسی نرم افزار داده محور (DDSE) ، عملیات هوشمند (AIOps) ، تشخیص ناهنجاری ، شبکه عصبی LSTM ، گراف علیت ، میکروسرویس