MARC

 008260126s2024        us                              c    eng  d
■001000017361107
■00520260202105707
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265456168
■035    ▼a(MiAaPQ)AAI32435152
■035    ▼a(MiAaPQ)124409
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aHarsh,  Vipul.
■24510▼aSystems,  Models  and  Algorithms  for  Failure  Diagnosis  in  Networked  Infrastructure
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a113  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  A.
■500    ▼aAdvisor:  Godfrey,  P.  Brighten.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aFailure  incidents  in  networked  systems  such  as  datacenters,  private  or  public  cloud  environments,  WAN  and  enterprise  networks  lead  to  significant  downtime  and  violations  of  service-level  agreements,  incurring  large  financial  losses.  To  mitigate  failures  quickly,  operators  seek  to  implement  automated  failure  diagnosis,  also  known  as  Root  Cause  Analysis  (RCA).  The  goal  of  RCA  is  to  localize  faults  with  high  accuracy  in  a  timely  manner  using  practical  monitoring  telemetry.  There  are  two  major  challenges  in  designing  such  RCA  solutions:  (1)  accurately  modeling  the  behaviour  of  the  system  and  (2)  using  the  model  to  infer  the  root  causes  accurately.  Existing  works  on  RCA  either  (1)  fall  short  in  modeling  the  complexities  of  an  environment  and  hence  utilize  imprecise  models  or  (2)  utilize  an  inference  algorithm  for  RCA  that  is  inadequate  in  extracting  high  accuracy  from  the  model.In  this  thesis,  we  propose  solutions  for  RCA  based  on  two  high  level  ideas.  First,  we  utilize  a  suitably  designed  Probabilistic  Graphical  Model  (PGM)  to  accurately  model  the  system  behaviour.  A  PGM  is  a  model  based  on  an  underlying  graph  structure  that,  as  we  show  in  the  thesis,  naturally  allows  us  to  model  the  complexities  of  a  distributed  system  with  many  components.  Second,  we  design  custom  training  and  inference  algorithms  to  extract  maximum  inference  accuracy  from  the  PGM-based  model.  Our  algorithms  are  designed  to  handle  the  various  characteristics  of  real  world  systems  such  as  large  scale  or  noisy  input  monitoring  data.Using  the  high  level  ideas  outlined  above,  we  propose  three  RCA  systems.  In  chapter  2,  we  describe  Murphy,  a  RCA  system  for  diagnosing  performance  issues  in  distributed  applications.  Murphy  models  weak  inter-dependencies  between  system  components  via  a  Markov  Random  Field  (a  type  of  PGM  based  on  undirected  graphs)  that  can  handle  cyclic  dependencies.  With  its  more  precise  modeling  of  inter-dependencies,  it  is  able  to  predict  root  causes  with  higher  accuracy  than  past  works.  In  chapter  3,  we  describe  Flock  that  localizes  unreported  failures  in  datacenter  networks.  Flock  models  the  problem  via  a  Bayesian  network  (a  type  of  PGM  based  on  directed  acyclic  graphs)  that  can  handle  the  various  complexities  of  a  datacenter  network  such  as  lack  of  knowledge  of  path  information  of  flows  or  occasional  noisy  packet  drops.  Flock  utilizes  a  custom  inference  algorithm  that  can  speed  up  inference  in  discrete-valued  PGMs  by  multiple  orders  of  magnitude.  This  inference  algorithm  allows  Flock  to  unlock  the  benefits  of  PGM-based  modeling  for  datacenter  networks  and  allows  it  to  achieve  higher  inference  accuracy  than  past  works.  In  chapter  4,  we  describe  FaultFerence,  a  RCA  system  for  detecting  faults  in  datacenter  networks  with  only  passive  monitoring  that  obscures  path  information  up  to  a  large  set  of  paths,  for  all  flows.  In  such  cases,  even  Flock  (or  any  fault  localization  algorithm)  can  only  localize  the  fault  to  a  large  equivalent  set  of  devices.  To  localize  within  this  equivalence  set,  FaultFerence  uses  a  similar  model  as  Flock's  but  additionally  runs  iterations  of  inference  followed  by  strategically  chosen  "microactions"  that  tweak  the  network  ever  so  slightly  which  helps  in  symmetry  breaking.  Using  this  approach,  FaultFerence  is  able  to  reduce  the  time  to  localize  faults,  while  also  reducing  the  invasiveness  of  the  localization  procedure  compared  to  ad-hoc  techniques  employed  today.  The  above  systems  demonstrate  the  benefits  of  principled  inference  via  accurate  modeling  of  system  behaviour  towards  achieving  high  diagnosis  accuracy.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■650  4▼aStatistics
■650  4▼aCommunication
■650  4▼aInformation  technology
■653    ▼aPerformance  diagnosis
■653    ▼aFault  localization
■653    ▼aRoot  Cause  Analysis
■653    ▼aProbabilistic  graphical  models
■653    ▼aBayesian  networks
■690    ▼a0984
■690    ▼a0489
■690    ▼a0459
■690    ▼a0463
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-06A.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361107▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서