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
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
- 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
- 抽取树结构（Weisfeiler-Lehman Algorithm ）
- 类比树袋表达（Bag-of-Words）
- 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
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。
✉️ dongminghan@zju.edu.cn