iAnomaly Performance Anomaly Dataset

iAnomaly性能异常数据集是由墨尔本大学Cloud Computing and Distributed Systems (CLOUDS)实验室创建的，旨在模拟边缘云集成计算环境中的微服务架构性能异常。该数据集包含多个微服务架构的物联网应用，涵盖了不同的服务质量（QoS）和资源需求，并通过引入多种异常来捕捉真实边缘环境的特征。数据集的创建过程利用了开源工具和全系统模拟器，自动生成标注的正常和异常数据。该数据集主要应用于边缘计算环境中的性能异常检测研究，旨在解决现有数据集缺乏和真实边缘环境难以访问的问题。The iAnomaly Performance Anomaly Dataset was developed by the Cloud Computing and Distributed Systems (CLOUDS) Laboratory at the University of Melbourne. It aims to simulate performance anomalies in microservice architectures within edge-cloud integrated computing environments. This dataset encompasses multiple IoT applications built on microservice architectures, covering diverse Quality of Service (QoS) requirements and resource demands, and introduces various types of anomalies to capture the characteristics of real-world edge environments. The dataset creation process leverages open-source tools and full-system simulators to automatically generate labeled normal and anomalous data. This dataset is primarily applied to research on performance anomaly detection in edge computing environments, addressing the challenges of insufficient existing datasets and limited accessibility to real edge environments.

搜集汇总

数据集介绍

构建方式

iAnomaly Performance Anomaly Dataset的构建基于iAnomaly框架，该框架是一个配备开源工具和全自动化数据集生成能力的全系统模拟器。通过用户定义的配置，iAnomaly能够生成标记为正常和异常的数据。具体而言，该数据集捕捉了多个基于微服务的物联网应用在异构QoS和资源需求下的性能数据，并引入了多种异常情况。这一过程通过iAnomaly的自动化数据生成和收集功能实现，确保了数据集的真实性和代表性。

使用方法

iAnomaly Performance Anomaly Dataset适用于边缘计算环境中的性能异常检测研究。研究人员可以使用该数据集来训练和评估性能异常检测算法。数据集的开放性和详细的使用说明使得研究人员能够轻松地复现和扩展相关实验。此外，iAnomaly框架的自动化数据生成功能也为研究人员提供了便捷的数据生成工具，使得他们能够根据需要生成更多定制化的数据集。

背景与挑战

背景概述

随着物联网（IoT）应用的模块化和边缘计算环境的异构性增加，微服务架构在这些环境中得到了广泛应用。然而，这些微服务架构的IoT应用容易受到资源争用和资源占用等性能异常的影响，从而影响其服务质量（QoS）并违反服务级别协议（SLA）。现有的边缘计算环境中的性能异常检测研究受限于缺乏公开的边缘性能异常数据集或难以访问真实的边缘环境。为了填补这一空白，Duneesha Fernando、Maria A. Rodriguez和Rajkumar Buyya等人提出了iAnomaly工具包，该工具包通过全系统模拟器和自动化数据集生成能力，生成了基于用户定义配置的正常和异常数据。该数据集捕捉了多个具有异构QoS和资源需求的微服务IoT应用的性能数据，并引入了多种异常，有效地代表了真实边缘环境的特征。

当前挑战

iAnomaly数据集面临的挑战主要集中在两个方面：一是解决边缘计算环境中性能异常检测的领域问题，由于缺乏公开的边缘性能异常数据集，现有的研究多依赖于云数据集或私有边缘环境的数据，这些数据无法准确反映边缘环境的异构性和多样性。二是数据集构建过程中的挑战，包括如何有效地模拟边缘环境、如何自动化生成大规模的性能异常数据集，以及如何确保数据集的高质量和代表性。此外，现有的边缘计算模拟器缺乏必要的工具来收集性能指标、生成正常性能数据和注入性能异常，这也增加了数据集构建的复杂性和难度。

常用场景

经典使用场景

iAnomaly Performance Anomaly Dataset 在边缘计算环境中广泛应用于微服务架构的性能异常检测。该数据集通过模拟多种微服务在边缘设备上的运行情况，捕捉正常和异常状态下的性能数据，为研究人员提供了一个高质量的基准数据集。其经典使用场景包括训练和验证性能异常检测算法，特别是在资源受限和异构的边缘环境中，这些算法需要能够准确识别和分类各种性能异常。

解决学术问题

iAnomaly Performance Anomaly Dataset 解决了边缘计算环境中性能异常检测研究的一个关键问题，即缺乏公开可用的边缘性能异常数据集。通过提供一个包含多种微服务应用和异构QoS需求的标注数据集，该数据集使得研究人员能够在真实且复杂的边缘环境中进行算法训练和评估，从而推动了性能异常检测技术的发展。此外，该数据集的发布也促进了相关领域的研究，为学术界提供了一个标准化的测试平台。

实际应用

在实际应用中，iAnomaly Performance Anomaly Dataset 为边缘计算环境中的性能监控和管理提供了有力支持。通过使用该数据集训练的模型，可以实时监测和预测微服务应用的性能异常，从而及时采取措施避免服务中断或性能下降。例如，在工业物联网中，该数据集可以帮助识别和预防设备故障，提高生产效率和系统可靠性。此外，该数据集还可用于优化资源分配和负载均衡，确保边缘计算环境的高效运行。

数据集最近研究

最新研究方向

在边缘计算与云集成环境中，微服务架构广泛应用于物联网应用的模块化和部署。随着时间的推移，这些基于微服务的物联网应用容易受到资源占用（如CPU或内存）和资源竞争等性能异常的影响，从而影响其服务质量并违反服务级别协议。当前，边缘计算环境中的性能异常检测研究受限于缺乏公开的边缘性能异常数据集或实际边缘环境的不可访问性。为填补这一空白，iAnomaly数据集的最新研究方向集中在开发一个全系统模拟器，该模拟器配备了开源工具和完全自动化的数据集生成能力，以生成基于用户定义配置的正常和异常数据。此外，该研究还发布了一个使用iAnomaly生成的性能异常数据集，该数据集捕捉了具有异构QoS和资源需求的多个微服务物联网应用的性能数据，并引入了多种异常。这一数据集有效地代表了真实边缘环境的特征，并且数据集中的异常数据符合高质量性能异常数据集的标准。

相关研究论文

• iAnomaly: A Toolkit for Generating Performance Anomaly Datasets in Edge-Cloud Integrated Computing Environments

  墨尔本大学计算与信息系统学院 · 2024年