Design
DeepRest有以下的设计原则
- Application-independence
- Privacy-preserving：只需要common resource metrics和分布式traces，不需要任何log
- 无监督的
挑战
- 因为traffic很复杂，需要一个feature extraction process
- 不同micro-service的资源用量经常co-related
DeepRest有两个使用场景
- 输入expected traffic，得到估计资源使用量
- 输入real traffic，估计正常的资源使用量，来检测anomaly
DeepRest Methodology
Distributed Tracing Feature Extractor
步骤一：execution diagrams of spans不能用，因为机器学习需要structured (vectorized) inputs
span需要关联component name和operation name，因此构造 an execution topology graph，每个点是一个(component, operation)
步骤二：构造搜索空间
DeepRest构造了一个feature space，覆盖所有可能的invocation paths。（其实就是全traverse了一遍）
步骤三：DeepRest feature extraction
其实就是每个path的所有prefix，遇到之后就在M里面+1
API-aware Deep Resource Estimator
步骤三：API-aware Neural Design
加了一个掩码，让DNN能够清楚那些APIs和现在估计的资源有关
步骤四：不能使用feedforward neural networks，因为它们不考虑temporal factor，同时也只能接收定长输入。
加入Gated Recurrent Units(GRUs)。就是RNN
步骤五：微服务中的资源是相互关联的
加一个attention向量，来从别的(c,r)传输h
Quantile Regression Optimization
DeepRest不是在每个时间步长给出一个单点估计，而是制定了一个量化回归问题来估计置信区间
Trace Synthesizer
对于提供API traffic来预测资源的任务，因为只有API traffic，没有trace，因此用概率模型来采样逼近