论文
文章平均质量分 80
FireKnight_
www.fireknight.tech
展开
-
Localization of Operational Faults in Cloud Applications by Mining Causal Dependencies in Logs using
微服务根因定位基于图的方法原创 2022-06-20 21:23:03 · 470 阅读 · 1 评论 -
MicroHECL High-Efficient Root Cause Localization in Large-Scale Microservice Systems
针对大规模微服务应用的异常根因定位* 作者认为现有方法不行 * 现有基于图(服务依赖图)的方法,检测不准确,效率低 * 现有基于trace分析的方法,需要大量计算,做不到* 提出一种动态图构建的方法,从可观测异常服务起,根据三种异常,扩展构建异常相关图。对图节点遍历排序,找出相关根因...原创 2022-06-20 20:55:09 · 549 阅读 · 0 评论 -
DeepTraLog: Trace-Log Combined Microservice AnomalyDetection through Graph-based Deep Learning
DeepTraLog: Trace-Log Combined Microservice AnomalyDetection through Graph-based Deep LearningDeepTraLog: 基于图的深度学习的Trace-Log组合微服务异常检测总结提出log和trace的混合服务异常检测方法基于图深度学习,不需要预训练模型,线上分类检测异常解决两个痛点基于log的异常检测:现有的日志异常检测方法将日志视为事件序列,无法处理分布在具有复杂交互的大量服务中的微原创 2022-05-18 22:38:22 · 1426 阅读 · 16 评论 -
MicroRCA: Root Cause Localization of Performance Issues in Microservices
MicroRCA: Root Cause Localization of Performance Issues in MicroservicesMicroRCA: 微服务性能问题根因定位总结使用属性图来模拟微服务系统的异常传播使用图和权重、PageRank的方法来定位问题已知的性能问题表现在权重上(异常症状和资源关联)PageRank对可能的问题节点进行排序,很新颖能够更准确得定位问题,能够从症状明显的服务和症状不明显的服务中准确得找出根因,这是别的方法做不到的地方(作者言)原创 2022-05-12 00:20:02 · 653 阅读 · 0 评论 -
微服务系统异常检测和根因定位 方法综述
CSUR22 - Anomaly Detection and Failure Root Cause Analysis in (Micro) Service-Based Cloud Applications: A Survey基于(微)服务的云应用中的异常检测与故障根源分析:综述总结到目前(2022),学术界故障检测和根因定位方法的综述当前的异常检测技术,都需要一个baseline去构建预知识。当线上执行差距过大(并发压力、环境、基础测试集构建错误等),会造成检测不准确根因定位技术:各有千..原创 2022-05-11 10:14:35 · 4528 阅读 · 0 评论 -
NSDI11-Spectroscope-Diagnosing performance changes by comparing request flows
总结比较两次执行(系统修改前后)的请求流(时间、结构体)发现问题;对时间方面,使用假设检验,检查某种分类的时间分布是否和之前一致,从而判断是否一致。对于结构,寻找变异及其对应的前体,来发现性能改变设计的算法可以确定和排序请求流/时间中的改变工具 Spectroscope假设背景:我们的技术假设性能变化是由系统变化引起的(代码变化、配置变化等)。需要对比变化前后系统的执行来进行前体/编译的区分。可否应用于性能问题?[Q]定义两种突变情形响应时间突变结构体突变..原创 2022-04-26 16:21:24 · 293 阅读 · 0 评论 -
WisdomCode - 基于日志学习的错误预测与故障定位
总结使用机器学习,基于日志记录,进行错误预测和故障定位机器学习:分类算法。日志扔进去,分类为正确或错误,属于什么错误训练集:多种错误分别注入,日志收集,对应有故障标签,训练缺陷:首先要有针对某个服务的训练集,其次错误类型相比实际应该很小,跑的时候不一定分的出来Intro提出了基于执行轨迹日志机器学习的微服务潜在错误与故障根源预测方法故障类型:多实例故障、系统配置故障、异步交互故障MEPFL预测目标轨迹层级:潜在错误(T/F)、故障微服务、故障类型,微服..原创 2022-03-30 17:26:03 · 1510 阅读 · 0 评论 -
WisdomCode - 基于增量调试技术的故障定位
总结提出了一种基于增量调试方法的故障定位方案定位系统配置以及信息顺序带来的问题特点:使用istio来进行调用和返回顺序的控制感觉实际使用价值不大,现实过于复杂,增量的变量过多引言微服务复杂性 – 故障调试困难四个维度:节点、实例、配置和交互顺序贡献一个基础设施平台一个增量测试算法增量测试通过在变化的环境下反复执行相应的测试,可以识别出与测试失败相关的故障因素和不相关的故障因素。即:找出导致测试错误的最小范围过程找最简环境:首先..原创 2022-03-30 17:24:51 · 251 阅读 · 0 评论 -
经典论文翻译导读之《Google File System》
经典论文翻译导读之《Google File System》经典论文,可惜原文失效了,这里整理一篇图文全的版本英文原文:The Google File System,编译:ImportNew - 储晓颖 新浪微博:@疯狂编码中的xiaoY【译者预读】GFS这三个字母无需过多修饰,《Google File System》的论文也早有译版。但是这不妨碍我们加点批注、重温经典,并结合上篇Haystack的文章,将GFS、TFS、Haystack进行一次全方位的对比,一窥各巨头的架构师们是如何权衡利弊、各取转载 2022-03-27 20:10:12 · 475 阅读 · 0 评论 -
Intelligent REST API Data Fuzzing
智能rest api数据fuzzing要点:fuzzing,REST API,测试总结智能生成rest请求的有效负载生成方法schema fuzzing规则fuzzing 规则的组合方法搜索方法(对请求body每个值fuzzing的顺序)从swagger、响应、example中提取数据值评估标准:某种fuzzing方法能出发error的类型数量,数量越多,越有效Introfuzzing: automatic test generatio..原创 2021-12-02 22:28:33 · 399 阅读 · 0 评论 -
Sapienz - Multi-objective Automated Testingfor Android Applications
Sapienz:安卓应用多目标自动化测试要点:遗传算法、安卓测试、测试套件、多目标优化、NSGA-II总结定义了遗传算法套件级别和测试用例级别定义了测试用例级别的两种基因,一种是原子操作 atomic genes,一种是在特定UI下的一系列操作 motif genes.还有遗传算法的适应度函数,虽然没有写具体func,但思路说是覆盖率 + 长度(越短越好)+ 检测到错误数摘要Sapienz:安卓测试,基于多目标搜索,自动搜索和优化测试序列,最小化长度,最大化覆盖率和错误揭露原创 2021-11-26 16:54:30 · 1631 阅读 · 0 评论 -
Whole Test Suit Generation
测试套件生成(针对整个套件)要点:测试套件生成、遗传算法、选择、变异总结给出了一个生成测试套件的方法,能生成更小的测试套件并且有更高的分支覆盖率(方法已经全覆盖)定义了遗传算法适应度函数:主要是对分支距离的计算定义了遗传算法的操作:测试套件级别交叉,测试用例内的变异防止遗传算法膨胀,给出了四个限制abstract提出了一种生成测试套件**(test suit)**的方法,能够覆盖所有的coverage goals同时尽可能的小Introoracle probl原创 2021-11-26 00:52:34 · 361 阅读 · 0 评论 -
Fault Analysis and Debugging of MicroserviceSystems: Industrial Survey, Benchmark System,and
Fault Analysis and Debugging of MicroserviceSystems: Industrial Survey, Benchmark System,and Empirical Study微服务系统的故障分析和调试: 行业调查,基准系统和经验研究摘要已有微服务故障分析和调试的研究有限做了如下工作进行一项行业调查,了解微服务的典型故障和调试挑战开发一个中等规模的微服务benchmark,复制了22个行业故障案例实证研究,调查现有行业调试的有效性提出原创 2021-11-26 00:48:13 · 2882 阅读 · 0 评论 -
IMPROVING REGRESSION TESTING QUERY REPLYING PROCEDURE USING SECURE OPTIMIZED GRAPH WALK SCHEME
采用安全优化的图漫步方案改进回归测试查询应答程序要点:优化哈希图、优先级排序(最小化资源的使用和处理时间)Intro:基于优先级的测试用例调度是使回归调查功能更容易实现的关键过程回归测试目的:预测早期阶段的软件或编码错误,以改进系统功能挑战:high confidential rate高预测率 – 自译指标:正确率、查全率、精度和处理过的测试用例等相关工作:优缺点表格系统模型和问题定义回归选择常用方法:基于最小化、基于选择、重新检..原创 2021-08-26 22:04:32 · 2793 阅读 · 0 评论 -
Localizing Failure-Inducing Program Edits Basedon Spectrum Information
基于频谱信息,定位导致程序故障的编辑总结本文是ekstazi的对比工具,ekstazi相比其有一定的时间提升。但ekstazi没有select affecting change的功能是Chianti的升级版修复了一些对于静态变量、变量的override导致的unsafety同时affecting change的选择增加了基于频率的排序,原因寻找更加准确Abstract变更影响分析是一种在迭代系统中寻找错误的广泛使用的方法定位错误源困难错误源候选项太多 – Chi原创 2021-08-26 20:53:19 · 2688 阅读 · 0 评论 -
Practical regression test selection with dynamic file dependencies
依赖于文件的回归测试选择ABSTRACTRTS: 回归测试选择回归测试没有很好的实践测试框架类似Junit可以集成ekstazi与执行所有测试相比,Ekstazi平均减少了32%的端到端测试时间,对于长时间运行的测试套件减少了54%INTRO传统RTS输入:两个版本代码、新版本代码测试套件、旧版本运行时依赖输出:测试套件子集关键减少端到端执行时间analysis+execution+collection时间总和端到端时间是新观点,之前的只包含A和E原创 2021-08-24 21:40:25 · 146 阅读 · 0 评论 -
Chianti: A Tool for Change Impact Analysis of Java Programs
Chianti- Java下代码变更影响分析工具总结目标代码更改和测试相关联三个贡献根据变更找测试,代码更改,观察特定测试的变化回归测试选择,只选择可能被更改影响的测试更快debugABSTRACTchianti分析变动,变动显示于测试。对被变动影响了的测试,chianti可以找出对应的变动对于Daikon, 每次改变有52%测试被影响,但每个测试只被3.95%原子改变影响INTRO问题:子类型和动态分配、方法更改或者对象创建、方法重载都会导致调用原创 2021-08-23 10:09:04 · 547 阅读 · 0 评论 -
Change Impact Analysis for Object-Oriented Programs 总结
代码变更影响分析ABSTRACTsubtype和动态类型绑定导致代码中小的变更会带来较大的或者无法定位的影响主要贡献程序变更和语义影响相关联用于精确化回归测试通过测试,寻找相应的变更Intro问题:子类型和动态分配过程源代码映射到原子更改确定依赖顺序对原子变化和测试程序,执行静态分析可以得到如下T(测试)的子集T’,可能受到修改A的影响可能影响某一个测试t对应的修改a导出和T无关的代码更改,允许程序员忽略和T无关的变化覆盖率提醒:提醒..原创 2021-08-23 09:54:11 · 619 阅读 · 0 评论