[論文レビュー] Towards Runtime Verification via Event Stream Processing in Cloud Computing Infrastructures

Domenico Cotroneo, Luigi De Simone+3 more|arXiv (Cornell University)|Oct 13, 2020

Software System Performance and Reliability参考文献 35被引用数 2

ひとこと要約

本論文は、イベントストリーム処理を用いてリアルタイムで障害を検出する、軽量で侵襲的でないランタイム検証手法を、クラウドコンピューティングシステムに提案する。正常なシステム動作をマイニングして監視ルールを生成することで、OpenStackにおいて79.38%の障害検出カバレッジを達成した。これは、特に静黙的障害に対して、ネイティブAPIのエラーレポートを著しく上回る。

ABSTRACT

Software bugs in cloud management systems often cause erratic behavior, hindering detection, and recovery of failures. As a consequence, the failures are not timely detected and notified, and can silently propagate through the system. To face these issues, we propose a lightweight approach to runtime verification, for monitoring and failure detection of cloud computing systems. We performed a preliminary evaluation of the proposed approach in the OpenStack cloud management platform, an "off-the-shelf" distributed system, showing that the approach can be applied with high failure detection coverage.

研究の動機と目的

• バグにより検出不能で拡散する障害が発生するクラウド管理システムにおける静黙的障害の課題に対処すること。
• 従来の監視メカニズムがエラーを報告できないことが多い、複雑で「市販品」のクラウドプラットフォーム（例：OpenStack）における障害検出を改善すること。
• システムの内部構造の詳細な知識を必要としない、非侵襲的で軽量な監視ソリューションを開発すること。
• 実世界のクラウドプラットフォームで故障挿入を用いて評価し、本手法の実現可能性と有効性を示すこと。

提案手法

• 正常な動作時の実行トレースを、システム操作からの非侵襲的イベントトレースによって収集する。
• 正しい実行トレースから自動的に監視ルールを合成し、望ましいシステム動作を表現する。
• ルールは論理的述語として表現され、リアルタイムでイベントストリームを処理するランタイムモニタに実装される。
• モニタは指定された動作特性の違反を検出し、障害検出のためのタイムリーなアラートを発行する。
• 故障挿入実験を用いてOpenStackで手法を評価し、アサーションチェックからの真実（グランドトゥース）と照らし合わせて障害検出カバレッジを測定する。
• 複数のトレースのイベントストリームを重ね合わせることで、並列処理環境下での耐性を評価するマルチユーザーのシナリオをシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 複雑で市販品のクラウドプラットフォーム（例：OpenStack）において、軽量で非侵襲的なランタイム検証手法は障害を検出できるか？
• RQ2 提案手法の障害検出カバレッジは、OpenStackのネイティブAPIエラーレポートと比べてどのように異なるか？
• RQ3 APIエラーもログにも記録されない「静黙的障害」—クラウド管理システムに一般的な障害—を検出できるか？
• RQ4 並列処理やマルチユーザーのワークロード下で、本手法はどの程度有効か？
• RQ5 現実的なシナリオにおけるトレースの重ね合わせが、障害検出の正確性に与える影響は何か？

主な発見

• 提案されたランタイム検証手法は、481件の故障挿入実験において、平均79.38%の障害検出カバレッジ（FDC）を達成した。これは、OpenStackのネイティブAPIエラーレポートの平均FDC（23.96%）を著しく上回った。
• インスタンス作成時では90.96%の障害を検出できたが、OpenStackはまったくエラーを報告しなかった。SSH接続試行時では38.46%の検出率であり、同様にAPIエラーは発生しなかった。
• ボリュームアタッチ障害では92.00%のFDCを達成し、複雑な操作における強力な検出能力を示した。
• マルチユーザーのシナリオをシミュレートしたところ、平均FDCは37.78%であったが、標準偏差が±13.88と高く、トレースの順序や並列処理のパターンに敏感であることが示された。
• 特に、APIエラーが生成されないインスタンス作成やSSH接続の静黙的障害に対して、本手法は顕著な優位性を示した。
• 結果から、ボリューム作成のような特定の操作では、さらに監視ルールの精緻化が必要であることが示唆された。この場合、検出カバレッジはわずか28.57%であった。