A Goal-Based Adaptive Tracing Method for Detecting Performance Anomalies and Anti-Patterns in Distributed Systems

Les systèmes distribués modernes, notamment ceux basés sur les architectures à microser-vices, constituent aujourd’hui l’épine dorsale d’un grand nombre d’applications critiques. Ces systèmes traitent quotidiennement des millions, voire des milliards, de requêtes et doivent maintenir des niveaux élevés de performance et de fiabilité. Cependant, la complexité crois-sante de ces architectures rend le diagnostic de problèmes de performance particulièrement difficile. Les solutions classiques de traçage, bien que puissantes, collectent souvent un volume considérable de données dont une grande partie est non pertinente pour l’analyse recherchée. Cette collecte massive entraîne une surcharge importante, augmente les coûts de stockage et de traitement, et complique la localisation des causes profondes des problèmes. Face à ces défis, cette thèse propose un cadre de traçage adaptatif basé sur les ob-jectifs, conçu pour ajuster dynamiquement la collecte de données en fonction du but précis de l’analyse. L’idée centrale est que tous les problèmes de performance ne nécessitent pas le même type d’observation et qu’un traçage intelligent, orienté par un objectif spécifique, permet de réduire le bruit, limiter la surcharge et accélérer le diagnostic. Objectifs et questions de recherche Le travail de recherche s’articule autour de plusieurs objectifs. • Concevoir un mécanisme de traçage capable d’adapter dynamiquement la configuration et la granularité des données collectées en fonction du type de problème à diagnostiquer. Développer une méthodologie de détection efficace pour les antipatrons de perfor-mance logicielle (SPAs), qui représentent des motifs récurrents de conception ou d’implémentation dégradant les performances. Réduire la surcharge de traçage sans compromettre la capacité à identifier les causes profondes des anomalies. Évaluer l’intégration de techniques d’apprentissage automatique et semi-supervisé pour automatiser la classification et l’explication des problèmes détectés. Méthodologie La recherche se décline en trois axes principaux : 1. Détection d’anomalies légère via TraceLens La première contribution, TraceLens, repose sur l’analyse du chemin critique d’exécution des requêtes pour identifier les événements responsables des latences. Cette approche minimise la surcharge en se concentrant uniquement sur les points ayant un impact direct sur les temps de réponse, plutôt que d’analyser l’intégralité des traces collectées. 2. Traçage adaptatif basé sur les objectifs La seconde contribution introduit un mécanisme de traçage adaptatif, guidé par une tax-onomie des SPAs. Cette taxonomie permet de définir des scénarios de traçage spécifiques selon le type de dégradation recherchée, par exemple les SPAs de communication (Blob, tâches de service excessives) ou les SPAs liés à la charge. Le système ajuste automatique-ment les points de traçage, la granularité et la portée de collecte pour optimiser la pertinence des données. 3. Détection automatisée des SPAs par apprentissage machine La troisième contribution consiste à appliquer des méthodes d’apprentissage automatique, en particulier des approches semi-supervisées, pour identifier et classifier les SPAs à partir des traces collectées. Les caractéristiques extraites incluent des métriques de charge, de latence, de volume de données échangées et de fréquence d’appels. L’utilisation d’étiquetage faible permet de limiter le besoin en annotations manuelles, tout en maintenant une performance élevée de détection. Validation expérimentale L’évaluation a été menée sur DeathStarBench, un banc d’essai open source reproduisant des scénarios réalistes de microservices.