Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Nyomkövetés alapú hibadetektálás Autonóm és Hibatűrő Inf.

Hasonló előadás


Az előadások a következő témára: "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Nyomkövetés alapú hibadetektálás Autonóm és Hibatűrő Inf."— Előadás másolata:

1 Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Nyomkövetés alapú hibadetektálás Autonóm és Hibatűrő Inf. Rsz. 2014 ikocsis@mit.bme.hu

2 Nyomkövetés  „Tracing”: általános fogalom  Program/(feladat)végrehajtás nyomonkövetése  Klasszikusan: fejlesztési időben o Profiling: végrehajtási idők, bevett reprezentációk  Tranzakció-nyomkövetés: o Logok o Application Response Measurement (ARM) o „Application Performance Management” (APM) termékek  Feldolgozott cikk: o Jiang, G., Chen, H., Ungureanu, C., & Yoshihira, K. (2007). Multiresolution Abnormal Trace Detection Using Varied-Length n-Grams and Automata. IEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews), 37(1), 86–97. doi:10.1109/TSMCC.2006.871569

3 Profiling (Windows)

4 Event Tracing for Windows

5 CélközönségFejlesztőRendszeradminisztrátor TechnológiaETWEvent Log Eseményvezérlésszelektív (munkamenetek indításával) „Always On” Esemény-rátamagas (10 4 /s)közepes (10 2 – 10 4 /s) JellemzőkDeklaratív definíció manifest-ekben Feldolgozási (fogyasztó) API Rendelkezésre álló szolgáltatók felfedezhetősége Flexibilis adatmodell Mint az ETW-nél + távoli begyűjtés lekérdezés-támogatás központosított naplók

6 Event Tracing for Windows

7 Áttekintés: trace analízis

8 Fogalmak  n-gram a nyelvfeldolgozásban: csak az előző n-1 szó befolyásolja a következő szó valószínűségét  „local order constraints”: konzekutivitás  „global order constraints”: pl. 3 lépés távolság

9 Vissszatérés reprezentálása

10 Algoritmus 1 – N-gramok felismerése ha egy hosszabb s szekvencia helyettesíteni tudja valamely szülőjének α százalékát, akkor egy új s szekvenciát kell bevezetni mint (k+1)-gram ha egy hosszabb s szekvencia helyettesíteni tudja valamely szülőjének α százalékát, akkor egy új s szekvenciát kell bevezetni mint (k+1)-gram C i k az i-edik k-gram f(s) mutatja, hogy a szekvencia hányszor jelenik meg a tanítóhalmazban C i k az i-edik k-gram f(s) mutatja, hogy a szekvencia hányszor jelenik meg a tanítóhalmazban

11 Egyszerű példa  Bemenet:  Trace-ek: ABC, CD, ABD, AB, CBD  α = 0,7 k=1 A (3) B (3) C (2) D(2) k=2 AB (3) BD(2) BC (1) CB(1) CD(1) k=3 ABD(1)

12 Algoritmus 2 – Automata építés L = a leghosszabb n-gram hossza

13 Teljes modellépítés példa Three traces: ABCDE, CDEA, CDEBA (capital letters are the components visited during the transaction) Threshold: α = 0.6 Algorithm 1: (n-gram extraction) Algorithm 2: (automata construction) Az x-szel jelöltek nem érik el az α küszöböt!

14 Hiba detektálása - ötlet 1. szabály: a különféle n-gram halmazok közül mindig a hosszabb n- gramokat tartalmazó halmazt választjuk 2. szabály: az ugyanazon halmazban lévő n-gramok közül a gyakoribbat válasszuk Ötlet: egy trace elfogadható, ha 1.feltétel: a trace felvágható az 1. és 2. szabály szerint a meghatározott (C a ) halmazokban található n-gramokra 2.feltétel: ezen n-gramok átmenetei követik az automata átmeneteit (részhalmaz)

15 Algoritmus 3 - Detektálás C a azon n-gramok halmaza, amelyet tartalmaz az automata N a a C a –ban lévő n-gramok száma C a azon n-gramok halmaza, amelyet tartalmaz az automata N a a C a –ban lévő n-gramok száma

16 Példa - Detektálás Bemeneti trace: Automata: Nincs ilyen n-gram C a -ban Nincs ilyen átmenet az automatában

17 Kísérleti értékelés A kísérleteket a PetStore Java benchmark alkalmazással végezték, amely 27 Enterprise JavaBeanből (EJB) áll A felhasználó viselkedést emulálták Az ábra az összes N-gram számát ill. a leghosszabb N-gram hosszát mutatja az α tűréshatár függvényében

18 Kísérleti értékelés II. Az ábra az automaták méretét mutatja a különféle α tűréshatár értékek függvényében Összehasonlítva az előző ábrával: sok n-gramot nem használtunk fel az automata építése során, különösen, amikor az α tűréshatár alacsony

19 Kísérleti értékelés III. 30 hiba injektálása az EJB tesztalkalmazásba Az ábra a detektált, abnormális trace-ek számát mutatja α szerint α = 0.5…0.6 között a leghosszabb n-gram hossza 50-ről 8-ra csökken, és a detektálás pontossága 26/30-ról 12/30-ra a hamis pozitívak aránya nagyon kicsi (~1), de az injektált hibák megváltoztathatják a belső állapotot, amelyek meghibásodást okozhatnak, amúgy nem hibás trace-ekben, amiket emiatt detektálhatunk ez a félrevezető detektálás nehezíti a hibakeresést, de nagyrészt eliminálhat, ha csak az időbélyeg szerinti első hibás trace-szel foglalkozunk


Letölteni ppt "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Nyomkövetés alapú hibadetektálás Autonóm és Hibatűrő Inf."

Hasonló előadás


Google Hirdetések