Press "Enter" to skip to content

一种用来检测分析异常代码调用栈的可视分析方法。

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

A Visual Analytics Framework for the Detection of Anomalous Call Stack Trees in High Performance Computing Applications

 

IEEE VAST 2018 Honorable Mention Award

 

作者:Cong Xie[1], Wei Xu[2], Klaus Mueller[1]

 

[1] Computer Science at Stony Brook University

 

[2] Computational Science Initiative at Brookhaven National Laboratory

 

一句话:一种用来检测分析异常代码调用栈的可视分析方法,基于embedding和OCSVM来交互式理解分析异常调用栈。

 

问题

 

耗时异常,父子节点相互调用,兄弟节点直接的通信中会有耗时异常

 

不同孩子对同一父亲

 

有沟通关系的兄弟节点

 

同一孩子被不同的父亲

 

 

 

这是chrome页面代码的调用栈,展示了调用顺序,时间,父子节点。

 

解决方案

 

为了解决异常代码检测的问题,这篇文章的解决方案是“找出异常的树结构”。全篇也是围绕着,如何建立树结构,如何表示树结构的信息,如何发现其中异常。

 

 

贡献

 

 

    1.  把异常行为的检测范化为异常树结构的检测(Formulate)

 

Stack2vec,优化了Graph kernel approach,然后用神经网络学习树表达(Approach)

 

可视异常检测方法支持用户查找,验证,标记(Visualization)

 

 

目标

 

 

异常分布的概览     Overview

 

异常调用树的排序 Rank

 

调用树的详情         Detail-1

 

调用树的时序模式 Detail-2

 

 

方法

 

 

生成调用树

 

学习树表达

 

检测异常树

 

可视化

 

 

 

生成调用树

 

 

这里就是把代码抽取成树结构

 

学习树表达

 

 

    1. 抽取树结构(Weisfeiler-Lehman Algorithm )

 

    1. 类比树袋表达(Bag-of-Words)

 

    1. 生成树表达(Skip-Gram Model)

 

 

抽取树结构&类比树表达

 

 

用WL算法,给每个点赋予label,每种label都表示了一种子树结构。那幺一棵树的结构就可以被多种子树结构所代表。

 

生成树表达

 

 

类比于Doc2vec,读入的树结构表达当做一个文档,用来预测子树结构,也就是单词。中间的权重就是每个树的embedding

 

检测异常树

不能用密度分布
异常较少
没有足够异常标记

采用OCSVM(One-Class Support Vector Machine)
一种无监督的异常检测算法,利用标记信息来改进模型生成

可视化

 

 

(a) 投影视图,可以用PCA,MDS,或者异常检测,每个点代表一个树,这样就可以看到异常的地方

 

(b) 异常推荐视图,用来推荐异常的树结构,每个图代表一个树(只展示了一部分)

 

(c) 树细节视图,用来看树结构的组成细节

 

(d) 树时间和通信细节视图,用来看树结构在时间和通信维度上的细节信息

 

(e) 超参数面板,用来调节WL参数,机器学习模型参数,投影方法等

 

评估

3个Case Study
Quantitative Analysis: Performance, Complexity
User Feedback: Learning Cost, Usability

Case Study

 

通信延迟

 

 

从异常检测的投影视图中发现,异常树结构。发现耗时很多(圆的半径编码了耗时)

 

 

看细节图,发现是某几个函数引起的

 

 

而正常的图应该是,孩子函数用时都比较少

 

 

进一步看时间和通信,在这个程序下正常的应该频繁通信,但是突然有一段通信要等很久。

 

聚类异常

 

 

投影视图中看到一些离群的点组成的聚类,发现这些点都用同样的问题。集体异常的情况。

 

Performance

 

专家标注了所有的异常点,然后通过不同的算法组合测试准确率

 

 

总结

 

本文研究的问题很简单,也很重要,一句话就可以说的明白。用WL+Doc2vec的方法表示树结构,并根据树结构的特性,对WL优化了一下。用生成的向量去做异常检测,加入可视化的交互来反馈。同时设计了可视分析系统,以及对应的可视化设计。评估做的也特别全面。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。