MicroHECL : localisation efficace des causes profondes dans les systèmes de microservices à grande échelle

Les problèmes de disponibilité des systèmes industriels de microservices (par exemple, la baisse des commandes réussies et des transactions traitées) affectent directement le fonctionnement de l'entreprise. Ces problèmes sont généralement causés par divers types d'anomalies de service qui se propagent le long des dépendances de service. La localisation précise et efficace des causes profondes est donc un défi critique pour les systèmes industriels de microservices à grande échelle. Les approches existantes utilisent des techniques basées sur l'analyse des graphes de dépendance des services pour localiser automatiquement les causes profondes. Cependant, ces approches sont limitées en raison de leur détection inexacte des anomalies de service et d'un parcours inefficace du graphe de dépendance des services. Dans cet article, nous proposons une approche de localisation efficace des causes profondes pour les problèmes de disponibilité des systèmes de microservices, appelée MicroHECL. Basée sur un graphe d'appels de service construit dynamiquement, MicroHECL analyse les chaînes de propagation d'anomalies possibles et classe les causes profondes candidates en fonction d'une analyse de corrélation. Nous combinons des méthodes d'apprentissage automatique et des méthodes statistiques et concevons des modèles personnalisés pour la détection de différents types d'anomalies de service (c'est-à-dire, performance, fiabilité, trafic). Pour améliorer l'efficacité, nous adoptons une stratégie d'élagage pour éliminer les appels de service non pertinents dans l'analyse des chaînes de propagation d'anomalies. Des études expérimentales montrent que MicroHECL surpasse de manière significative deux approches de référence à la pointe de la technologie en termes de précision et d'efficacité. MicroHECL a été utilisé chez Alibaba et atteint un taux de réussite parmi les trois premiers de 68 % avec un temps de localisation de cause profonde réduit de 30 minutes à 5 minutes.