Efficient Detection of Communication-related Performance Anti-patterns in Microservices
Notice bibliographique
Résumé
Modern microservice-based applications are inherently complex due to their distributed nature and intricate service interactions, making performance diagnosis challenging. A significant source of degradation in such systems is Software Performance Anti-patterns, which can arise from inefficient coding practices, poor architectural design, or suboptimal deployment strategies. Existing Anti-pattern detection methods often rely on costly, intrusive data collection, limiting their practicality in production environments. We propose a low-cost, non-intrusive approach for detecting communication-related Anti-patterns by combining selectively captured networking-related system call traces with distributed observability traces. This hybrid tracing enables detailed correlation between low-level communication metrics and high-level service interactions, supporting accurate detection of Anti-patterns such as Blob and Empty-semi-trucks. To minimize overhead, only essential system call events are collected, while distributed tracing data is used for root cause analysis at the service and operation level. We design a machine learning pipeline, supporting super- vised, semi-supervised, and unsupervised detection, achiev- ing up to 91% accuracy with just 2.74% data collection over- head. Offline model training further supports seamless in- tegration into Continuous Integration/Continuous Deploy- ment (CI/CD) workflows for early performance regression detection. Our approach is validated on the DeathStarBench microservice benchmark across 14 scenarios under both clean and noisy conditions. Results show high detection accuracy, effective root cause identification (over 80% match to manual analysis), and minimal runtime impact. This work offers a practical, scalable, and accurate solution for SPA detection in complex microservice environments. Keywords: software performance anti-patterns, tracing, system calls, kernel tracing, distributed tracing, semi-supervised learning
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».