Key points are not available for this paper at this time.
Etonnamment, les journaux de console aident rarement les opérateurs à détecter des problèmes dans les services de datacenter à grande échelle, car ils consistent souvent en un mélange volumineux de messages provenant de nombreux composants logiciels écrits par des développeurs indépendants. Nous proposons une méthodologie générale pour exploiter cette riche source d'information afin de détecter automatiquement des problèmes d'exécution système. Nous analysons d'abord les journaux de console en combinant l'analyse du code source avec la récupération d'informations pour créer des caractéristiques composites. Nous analysons ensuite ces caractéristiques en utilisant l'apprentissage machine pour détecter des problèmes opérationnels. Nous montrons que notre méthode permet des analyses impossibles avec des méthodes précédentes en raison de sa capacité supérieure à créer des caractéristiques sophistiquées. Nous montrons également comment distiller les résultats de notre analyse en un arbre de décision d'une page convivial pour l'opérateur, montrant les messages critiques associés aux problèmes détectés. Nous validons notre approche en utilisant le serveur de jeu en ligne Darkstar et le système de fichiers Hadoop, où nous détectons de nombreux problèmes réels avec une grande précision et peu de faux positifs. Dans le cas de Hadoop, nous sommes capables d'analyser 24 millions de lignes de journaux de console en 3 minutes. Notre méthodologie fonctionne sur des journaux de console textuels de toute taille et ne nécessite aucun changement dans le logiciel de service, aucun input humain, et aucune connaissance des détails internes du logiciel.
Xu et al. (Sun,) ont étudié cette question.