Key points are not available for this paper at this time.
Aktuelle Datenanalysetechniken, die zur Erstellung von Versagensvorhersagern für Onlinedienste verwendet werden, erfordern massive Mengen an Daten, um die Vorhersager zu erstellen, zu trainieren und zu testen. Diese Vorgänge sind mühsam, zeitaufwändig und werden nicht in Echtzeit durchgeführt. Darüber hinaus wird die Genauigkeit des resultierenden Vorhersagers stark durch Veränderungen beeinträchtigt, die die Umgebung und die Arbeitsbedingungen des Vorhersagers beeinflussen. Wir schlagen einen neuen Ansatz zur Erstellung eines dynamischen Versagensvorhersagers für Onlinedienste in Echtzeit vor und halten dessen Genauigkeit während der Laufzeitänderungen der Dienste hoch. Wir verwenden synthetische Transaktionen während des Laufzeitlebenszyklus, um aktuelle Daten über den Dienst zu generieren. Diese Daten werden in ihrem ephemeral Zustand verwendet, um einen aktuellen Versagensvorhersager aufzubauen, zu trainieren, zu testen und zu warten. Wir haben den vorgeschlagenen Ansatz in einem großangelegten Online-Werbedienst implementiert, der jeden Monat Milliarden von Anfragen in sechs Rechenzentren verteilt auf drei Kontinenten verarbeitet. Wir zeigen, dass der vorgeschlagene Vorhersager in der Lage ist, die Vorhersagegenauigkeit für Versagen während Änderungen des Onlinedienstes so hoch wie 86% aufrechtzuerhalten, während die Genauigkeit der neuesten Vorhersager auf weniger als 10% fallen kann.
Shatnawi et al. (Mittwoch) haben diese Frage untersucht.