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

作者:Cong Xie, Wei Xu, Klaus Mueller

发表:IEEE InfoVis 2018

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

img

img

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。

img

贡献

  1. 把异常行为的检测范化为异常树结构的检测(Formulate)
  2. Stack2vec,优化了 Graph kernel approach,然后用神经网络学习树表达(Approach)
  3. 可视异常检测方法支持用户查找,验证,标记(Visualization)

目标

  1. 异常分布的概览 Overview
  2. 异常调用树的排序 Rank
  3. 调用树的详情 Detail-1
  4. 调用树的时序模式 Detail-2

方法

  1. 生成调用树
  2. 学习树表达
  3. 检测异常树
  4. 可视化

img

生成调用树

img

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 )
  2. 类比树袋表达(Bag-of-Words)
  3. 生成树表达(Skip-Gram Model)

抽取树结构&类比树表达

img

用 WL 算法,给每个点赋予 label,每种 label 都表示了一种子树结构。那么一棵树的结构就可以被多种子树结构所代表。

生成树表达

img

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

img

(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

img

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)

img

看细节图,发现是某几个函数引起的

img

而正常的图应该是,孩子函数用时都比较少

img

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

img

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

img

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。



Questions & Discussion: ✉️ dongminghan@zju.edu.cn