[논문 리뷰] Using Abduction in Markov Logic Networks for Root Cause Analysis

Joerg Schoenfisch, Janno von Stülpnagel외 3명|arXiv (Cornell University)|2015. 11. 18.

Software System Performance and Reliability참고 문헌 17인용 수 3

한 줄 요약

이 논문은 완전하지 않은 관찰에서 가장 가능성이 높은 루트 코스를 계산할 수 있도록, 추론적 추론(abductive reasoning)을 마르코프 논리 네트워크(MLNs)와 통합함으로써 IT 인fra구처에서의 원인 분석에 새로운 접근법을 제안한다. 시스템 의존성과 장故 위험을 가중치가 부여된 일阶 논리 공식으로 모델링함으로써, 이 방법은 MLN 추론을 활용해 고장의 가장 가능성이 높은 원인을 식별한다. 실제 사례를 통한 검증을 통해 정확한 원인 규명이 이루어졌다.

ABSTRACT

IT infrastructure is a crucial part in most of today's business operations. High availability and reliability, and short response times to outages are essential. Thus a high amount of tool support and automation in risk management is desirable to decrease outages. We propose a new approach for calculating the root cause for an observed failure in an IT infrastructure. Our approach is based on Abduction in Markov Logic Networks. Abduction aims to find an explanation for a given observation in the light of some background knowledge. In failure diagnosis, the explanation corresponds to the root cause, the observation to the failure of a component, and the background knowledge to the dependency graph extended by potential risks. We apply a method to extend a Markov Logic Network in order to conduct abductive reasoning, which is not naturally supported in this formalism. Our approach exhibits a high amount of reusability and enables users without specific knowledge of a concrete infrastructure to gain viable insights in the case of an incident. We implemented the method in a tool and illustrate its suitability for root cause analysis by applying it to a sample scenario.

연구 동기 및 목표

• 비명백한 원인이 있을 수 있는 상호의존적인 복잡한 IT 인fra구처에서 가장 가능성이 높은 원인을 식별하는 데 도전하는 것.
• 불확실성과 재사용 가능한 도메인 지식을 지원하는 통합 프레임워크에서 확률적 추론과 논리적 추론을 결합하는 것.
• 인프라구처 의존성과 위험을 관련 가중치가 부여된 일阶 논리 공식으로 모델링하여 루트 코스 진단을 자동화하는 것.
• 새로운 관찰을 통합함으로써 계산된 원인 설명을 반복적으로 개선하는 대화 기반 과정을 가능하게 하는 것.
• 실제 인프라 고장 사례를 포함한 실제 사례에서 접근법의 타당성과 실용성을 입증하는 것.

제안 방법

• 컴ponent 간의 의존성을 나타내는 하드 공식을 사용하여 IT 인프라를 일阶 논리 네트워크로 모델링하는 것.
• 전문 지식이나 통계 데이터에서 유도된 위험 및 고장 방식의 확률을 나타내기 위해 소프트, 가중치가 부여된 공식을 할당하는 것.
• Kate 등이 제안한 추론적 추론 프레임워크를 사용하여 MLN을 확장하여 관찰된 고장에 대한 가장 가능성이 높은 설명을 도출하는 것.
• 예를 들어 서비스 장애와 같은 관찰된 증상들을 완전하거나 노이즈가 있는 경우에도 증거로 시스템에 입력하는 것.
• RockIt MLN 추론 엔진을 적용하여 추론적 추론을 통한 최대 사후 확률 설명을 계산하는 것.
• 새로운 관찰을 통합함으로써 설명을 반복적으로 개선하여 대화 기반 진단 과정을 지원하는 것.

실험 결과

연구 질문

• RQ1 추론적 추론이 마르코프 논리 네트워크에 효과적으로 통합되어 IT 시스템에서의 원인 분석을 지원할 수 있는가?
• RQ2 가중치가 부여된 일阶 논리 공식을 갖는 MLNs가 관찰 데이터가 불완전한 상황에서도 고장의 가장 가능성이 높은 원인을 정확히 식별할 수 있는가?
• RQ3 표현력과 진단 정확도 측면에서, 제안된 접근법은 순수 논리적 또는 순수 확률적 방법보다 어떻게 다를 수 있는가?
• RQ4 재사용 가능한 도메인 지식(예: IT Grundschutz 카탈로그 등)이 진단 과정에 얼마나 잘 코딩되고 활용될 수 있는가?
• RQ5 반복적이고 관찰 기반의 개선 과정이 실제 고장 사례에서 원인을 좁혀나가는 데 얼마나 효과적인가?

주요 결과

• 연구 팀의 인프라에서 발생한 두 건의 실제 고장 사례에서 접근법이 정확한 원인을 성공적으로 규명하여 실용적 적용 가능성을 입증했다.
• 추론적 추론과 MLNs의 통합은 모든 가능한 설명을 나열할 필요 없이 가장 가능성이 높은 설명을 계산할 수 있도록 한다.
• 일阶 논리의 사용은 다양한 컴포넌트와 인프라에 걸쳐 확장 가능하고 재사용 가능한 위험 및 의존성 모델링을 가능하게 한다.
• 이 방법은 증거와 배경 지식와 가장 일치하는 설명을 계산함으로써 관찰 데이터가 불완전하거나 정확하지 않은 경우에도 이를 처리할 수 있다.
• RockIt MLN 솔버는 문제 크기에서 양호한 성능을 보였으며, 대규모 인프라에 대한 이 접근법의 타당성을 뒷받침한다.
• 이 방법은 불확실성을 다루는 데 있어 순수 논리적 방법보다 우수하며, 관계적이고 구조화된 지식을 표현하는 데 있어 문장 수준 모델보다 뛰어나다.