[論文レビュー] Autonomous Fault Detection in Self-Healing Systems using Restricted Boltzmann Machines

Christopher Schneider, Adam Barker+1 more|arXiv (Cornell University)|Jan 7, 2015

Neural Networks and Reservoir Computing参考文献 24被引用数 7

ひとこと要約

本稿では、履歴システムデータから特徴の動作シーケンスを予測するために、制限付きボルツマンマシン（RBMs）とコントラスト型勾配降下学習を用いた、自己回復システムにおける自律的障害検出の新規アプローチを提案する。予測された状態と実際の特徴状態を比較することで、人為的介入なしに障害の原因を特定し、評価において75%の調和平均精度を達成し、従来のHMMおよびANNベースの手法よりも性能が向上した。

ABSTRACT

Autonomously detecting and recovering from faults is one approach for reducing the operational complexity and costs associated with managing computing environments. We present a novel methodology for autonomously generating investigation leads that help identify systems faults, and extends our previous work in this area by leveraging Restricted Boltzmann Machines (RBMs) and contrastive divergence learning to analyse changes in historical feature data. This allows us to heuristically identify the root cause of a fault, and demonstrate an improvement to the state of the art by showing feature data can be predicted heuristically beyond a single instance to include entire sequences of information.

研究の動機と目的

• 大規模なコンピューティング環境における運用コストと人的監視を低減するため、自律的障害検出および原因同定を可能にする。
• 自己回復システムにおける反応的で人的依存の回復戦略の限界を克服するため、予測的で教師なし学習に基づくアプローチを導入する。
• 従来のHMMおよびANNを用いた研究を拡張し、RBMsを用いたモデリングにより、特徴シーケンスの複数ステップ予測を可能にする。
• HMMおよびナイーブベイズなどの既存手法と比較して、RBMsを用いた障害検出の性能を評価し、障害原因を正確に同定する能力を検証する。
• シーケンス予測および特徴の局所性分析を用いて、反応的から予防的障害検出への移行の可能性を検討する。

提案手法

• 本手法は、履歴システムの構成および性能データを用いてコントラスト型勾配降下学習で訓練された制限付きボルツマンマシン（RBMs）を採用する。
• 特徴データは、WMIを用いて定期的にシステムから収集され、変更を追跡できるように一意の識別子とともに保存される。
• 適合度関数が、RBMsモデルから学習された期待値に基づき、特徴状態を正常または異常と分類する。
• システムは、RBMsから得られた予測された特徴状態と、実際の観測状態を比較し、異常を検出し、障害調査の手がかりを生成する。
• 障害診断フレームワーク（ADF）は、予測値と実測値の乖離を用いて、可能性の高い原因を順位付けする。
• 教師なし学習を活用することで、事前にラベル付けされた障害データや専門家が定義したルールを必要とせず、正常動作の内部モデルを構築する。

実験結果

リサーチクエスチョン

• RQ1 コントラスト型勾配降下学習で訓練されたRBMsは、障害を自律的に検出するために、システム特徴の動作シーケンスを効果的に予測できるか？
• RQ2 HMMおよびANNを用いた従来の手法と比較して、RBMsを用いた障害検出手法の、障害原因同定における性能はどの程度か？
• RQ3 本システムは、1回のインスタンスを超えて、将来の特徴状態をどの程度正確に予測できるか？これにより、予防的障害検出が可能になるか？
• RQ4 特徴の局所性分析を組み込むことで、分散型または複雑なシステムにおける障害診断の正確性と信頼性は向上するか？
• RQ5 本手法により、人的監視を最小限に抑えることで、大規模なIT環境における運用コストを削減できるか？

主な発見

• RBMsを用いたアプローチは、複数の評価指標において75%の調和平均性能を達成し、障害診断の正確性においてHMMおよびナイーブベイズ手法を上回った。
• 十分な訓練データが利用可能な場合、テストケースの75%で正しい原因（ネットワークアダプタのスループット変更）を正しく特定できた。
• 構成サンプルが少ない場合には、精度が14%に低下したため、データのスパarsityに敏感であり、適切な訓練データの確保が不可欠であることが示された。
• 本手法は、特徴動作の完全なシーケンスを予測する能力を示し、反応的から予防的障害検出へのシフトを可能にした。
• 適合度関数の使用により、事前に作成されたモデルや人的入力を必要とせず、正常動作の期待値を自律的に構築できるようになった。
• 結果から、RBMsを用いた予測は、障害局所化のための自己適応的プリミティブを支援でき、将来的に特徴の局所性検出技術と統合可能である可能性が示唆された。