ترجمه فارسی مقاله تشخیص کندی وظایف در سطح خوشه در سیستم ابری

چکیده

Slow task detection is a critical problem in cloud operation and maintenance since it is highly related to user experience and can bring substantial liquidated damages. Most anomaly detection methods detect it from a single-task aspect. However, considering millions of concurrent tasks in large-scale cloud computing clusters, it becomes impractical and inefficient. Moreover, single-task slowdowns are very common and do not necessarily indicate a malfunction of a cluster due to its violent fluctuation nature in a virtual environment. Thus, we shift our attention to cluster-wide task slowdowns by utilizing the duration time distribution of tasks across a cluster, so that the computation complexity is not relevant to the number of tasks. The task duration time distribution often exhibits compound periodicity and local exceptional fluctuations over time. Though transformer-based methods are one of the most powerful methods to capture these time series normal variation patterns, we empirically find and theoretically explain the flaw of the standard attention mechanism in reconstructing subperiods with low amplitude when dealing with compound periodicity. To tackle these challenges, we propose SORN (i.e., Skimming Off subperiods in descending amplitude order and Reconstructing Non-slowing fluctuation), which consists of a Skimming Attention mechanism to reconstruct the compound periodicity and a Neural Optimal Transport module to distinguish cluster-wide slowdowns from other exceptional fluctuations. Furthermore, since anomalies in the training set are inevitable in a practical scenario, we propose a picky loss function, which adaptively assigns higher weights to reliable time slots in the training set. Extensive experiments demonstrate that SORN outperforms state-of-the-art methods on multiple real-world industrial datasets.

چکیده به فارسی (ترجمه ماشینی)

تشخیص کار آهسته یک مشکل اساسی در عملکرد و نگهداری ابر است زیرا این امر به تجربه کاربر بسیار مرتبط است و می تواند خسارات قابل توجهی را به همراه داشته باشد.بیشتر روشهای تشخیص ناهنجاری آن را از یک جنبه تک وظیفه تشخیص می دهند.با این حال ، با توجه به میلیون ها کار همزمان در خوشه های محاسبات ابری در مقیاس بزرگ ، غیر عملی و ناکارآمد می شود.علاوه بر این ، کندی های تک کار بسیار رایج است و لزوماً نشانگر نقص یک خوشه به دلیل ماهیت نوسانات خشونت آمیز در یک محیط مجازی نیست.بنابراین ، ما با استفاده از توزیع مدت زمان انجام وظایف در یک خوشه ، توجه خود را به کندی کار خوشه ای تغییر می دهیم ، به طوری که پیچیدگی محاسبات به تعداد کارها مربوط نمی شود.توزیع زمان مدت کار اغلب تناوب ترکیبی و نوسانات استثنایی محلی را با گذشت زمان نشان می دهد.اگرچه روشهای مبتنی بر ترانسفورماتور یکی از قدرتمندترین روشها برای ضبط این الگوهای تنوع طبیعی سری زمانی است ، اما ما از لحاظ تجربی نقص مکانیسم توجه استاندارد را در بازسازی زیر دوره ها با دامنه کم هنگام برخورد با تناوب تناوبی پیدا می کنیم و توضیح می دهیم.برای مقابله با این چالش ها ، ما پیشنهاد می کنیم (به عنوان مثال ، استفاده از زیرنویس ها در ترتیب دامنه نزولی و بازسازی نوسان غیر اشتیاق) ، که شامل یک مکانیسم توجه اسکیمر برای بازسازی تناوب ترکیب و یک ماژول حمل و نقل بهینه عصبی است.از سایر نوسانات استثنایی.علاوه بر این ، از آنجا که ناهنجاری های موجود در مجموعه آموزش در یک سناریوی عملی اجتناب ناپذیر است ، ما یک عملکرد از دست دادن دلپذیر را پیشنهاد می کنیم ، که به طور تطبیقی ​​وزنهای بالاتری را به شکافهای زمانی قابل اعتماد در مجموعه آموزش اختصاص می دهد.آزمایش های گسترده نشان می دهد که SORN از روشهای پیشرفته در چندین مجموعه داده صنعتی در دنیای واقعی بهتر است.