ترجمه فارسی مقاله پیش‌بینی وضعیت‌های سیستم میکروسرویس‌ها با داده‌های مکانی-زمانی پویا

چکیده

In the AIOps (Artificial Intelligence for IT Operations) era, accurately forecasting system states is crucial. In microservices systems, this task encounters the challenge of dynamic and complex spatio-temporal relationships among microservice instances, primarily due to dynamic deployments, diverse call paths, and cascading effects among instances. Current time-series forecasting methods, which focus mainly on intrinsic patterns, are insufficient in environments where spatial relationships are critical. Similarly, spatio-temporal graph approaches often neglect the nature of temporal trend, concentrating mostly on message passing between nodes. Moreover, current research in microservices domain frequently underestimates the importance of network metrics and topological structures in capturing the evolving dynamics of systems. This paper introduces STMformer, a model tailored for forecasting system states in microservices environments, capable of handling multi-node and multivariate time series. Our method leverages dynamic network connection data and topological information to assist in modeling the intricate spatio-temporal relationships within the system. Additionally, we integrate the PatchCrossAttention module to compute the impact of cascading effects globally. We have developed a dataset based on a microservices system and conducted comprehensive experiments with STMformer against leading methods. In both short-term and long-term forecasting tasks, our model consistently achieved a 8.6% reduction in MAE(Mean Absolute Error) and a 2.2% reduction in MSE (Mean Squared Error). The source code is available at https://github.com/xuyifeiiie/STMformer.

چکیده به فارسی (ترجمه ماشینی)

در دوره AIOPS (هوش مصنوعی برای عملیات فناوری اطلاعات) ، پیش بینی دقیق حالت های سیستم بسیار مهم است.در سیستم های میکروسرویس ، این کار با چالش روابط فضایی و پیچیده مکانی و زمانی بین نمونه های میکروسرویس ، در درجه اول به دلیل استقرار پویا ، مسیرهای فراخوانی متنوع و اثرات آبشار در بین موارد ، برطرف می شود.روشهای پیش بینی سری زمانی ، که عمدتاً روی الگوهای ذاتی متمرکز هستند ، در محیط هایی که روابط مکانی بسیار مهم است ، کافی نیستند.به طور مشابه ، رویکردهای نمودار فضایی و زمانی اغلب از ماهیت روند زمانی غفلت می کنند ، و بیشتر بر روی پیام عبور بین گره ها متمرکز می شوند.علاوه بر این ، تحقیقات فعلی در حوزه میکروسرویس اغلب اهمیت معیارهای شبکه و ساختارهای توپولوژیکی در ضبط پویایی در حال تحول سیستم ها را دست کم می گیرد.در این مقاله STMformer ، مدلی متناسب برای حالت های پیش بینی سیستم در محیط های میکروسرویس ، قادر به دستیابی به سری های زمانی چند گره و چند متغیره معرفی شده است.روش ما داده های اتصال به شبکه پویا و اطلاعات توپولوژیکی را برای کمک به مدل سازی روابط پیچیده فضایی و زمانی در سیستم کمک می کند.علاوه بر این ، ما برای محاسبه تأثیر اثرات آبشار در سطح جهان ، ماژول patchcrossattion را ادغام می کنیم.ما یک مجموعه داده را بر اساس یک سیستم میکروسرویس تهیه کرده ایم و آزمایش های جامع را با STMformer در برابر روش های پیشرو انجام داده ایم.در هر دو کار پیش بینی کوتاه مدت و بلند مدت ، مدل ما به طور مداوم به کاهش 8.6 ٪ در MAE (میانگین خطای مطلق) و کاهش 2.2 ٪ در MSE (میانگین خطای مربع) دست یافت.کد منبع در https://github.com/xuyifeiiie/stmformer در دسترس است.