FOCUS : Shedding Light on the High Search Response Time in the Wild (学习记录)

问题：解决在运维中，发现高搜索响应时间之后，使用机器学习算法发现异常

AIops 看的第一篇论文学习记录。

 

 

 

对web应用中 high search response time 请求时间长 影响因素的分析

然后使用决策树算法得出影响结果以及分析 影响 的 type

通过分析 影响因子KPI (Key performance indicator)的 权重，然后针对性的进行优化

 

1. 第一部分提出三个问题：

① logs中的数据，有哪些属性对HSRT有更高的影响权重‘

② 哪些 condition types 是更prevalent即更hot

③ attributes 对 condition types 的影响

过程：

a decision tree based classifier to identify HSRT conditions in search logs of each day; a clustering based condition type miner to combine similar HSRT conditions into one type, and find the prevalent condition types across days; and an attribute effect estimator to analyze the effect of each individual attribute on SRT within a prevalent condition type.

从第一个与的分析中，对 image 的传输优化对提升 SRT 有助，然后采用base64编码，SRT提升了

 

 

2.第二部分：

① logs 的规定

对百度的 1% 的采样，log组成 ：1)SRT and SRT components; 2) several attributes 认为有影响的

1)SRT and SRT components