LADRA: تشخیص وظیفه غیر عادی مبتنی بر ورودی و تجزیه و تحلیل علل ریشه ای
ترجمه نشده

LADRA: تشخیص وظیفه غیر عادی مبتنی بر ورودی و تجزیه و تحلیل علل ریشه ای

عنوان فارسی مقاله: LADRA: تشخیص وظیفه غیر عادی مبتنی بر ورودی و تجزیه و تحلیل علل ریشه ای در پردازش داده های بزرگ با جرقه
عنوان انگلیسی مقاله: LADRA: Log-based abnormal task detection and root-cause analysis in big data processing with Spark
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: هوش مصنوعی، مدیریت سیستم های اطلاعات
کلمات کلیدی فارسی: جرقه، تجزیه و تحلیل ورودی، وظیفه غیرعادی، علل ریشه ای
کلمات کلیدی انگلیسی: Spark, Log Analysis, Abnormal Task, Root Cause
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals – JCR
شناسه دیجیتال (DOI):
دانشگاه: Department of Computer Science, University of Central Florida, Orlando, FL, USA
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 41
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12022
فهرست انگلیسی مطالب


1. Introduction

2. Related work and background

3. Overview of LADRA’s approach

4. Log feature extraction and abnormal task detection

5. Factor extraction for root-cause analysis

6. Root cause analysis

7. Experiments

8. Conclusions and future work


نمونه متن انگلیسی مقاله


As big data processing is being widely adopted by many domains, massive amount of generated data become more reliant on the parallel computing platforms for analysis, wherein Spark is one of the most widely used frameworks. Spark’s abnormal tasks may cause significant performance degradation, and it is extremely challenging to detect and diagnose the root causes. To that end, we propose an innovative tool, named LADRA, for log-based abnormal tasks detection and root-cause analysis using Spark logs. In LADRA, a log parser first converts raw log files into structured data and extracts features. Then, a detection method is proposed to detect where and when abnormal tasks happen. In order to analyze root causes we further extract pre-defined factors based on these features. Finally, we leverage General Regression Neural Network (GRNN) to identify root causes for abnormal tasks. The likelihood of reported root causes are presented to users according to the weighted factors by GRNN. LADRA is an off-line tool that can accurately analyze abnormality without extra monitoring overhead. Four potential root causes, i.e., CPU, memory, network, and disk I/O, are considered. We have tested LADRA atop of three Spark benchmarks by injecting aforementioned root causes. Experimental results show that our proposed approach is more accurate in the root cause analysis than other existing methods.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

LADRA: تشخیص وظیفه غیر عادی مبتنی بر ورودی و تجزیه و تحلیل علل ریشه ای
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط