Understanding Bugs in Template Engine-Based Applications: Symptoms, Root Causes, and Fix Patterns
University of Science and Technology Beijing（北京科技大学）
本文研究了基于模板引擎的应用中的bug问题，通过分析1004个bug发现异常渲染是主要症状，识别了17个根本原因，并提出修复模式，开发了两个原型工具以辅助调试。
2026-04-30 cs.SE
Automated Root-Cause Subclassification and No-Code Fix Generation for Invalid Bug Reports
Department of Computer Engineering, Bilkent University（计算机工程系，比尔肯特大学）
本研究旨在引入一个标准化的根因导向的无效bug报告子类划分体系，并通过实验测试不同方法在无效子类划分和无代码修复生成中的准确性。研究还分析了不同配置在我们创建的黄金标准基准上的表现。
2026-06-04 cs.AI cs.MA cs.SE
A Comprehensive Study on Deep Learning Bug Characteristics
Iowa State University（爱荷华州立大学）
近年来，深度学习获得了极大的普及。开发人员主要依靠库和工具来为他们的软件添加深度学习功能。在这些软件中经常发现什么样的bug？此类错误的根本原因是什么？这些bug有什么影响？深度学习管道的哪个阶段更容易出现错误？是否存在任何反模式？理解深度学习软件中缺陷的这些特征有可能促进更好的深度学习平台、调试机制、开发实践的开发，并鼓励分析和验证框架的开发。因此，我们研究了来自Stack Overflow的2716篇高质量帖子和来自Github的500个bug修复提交，这些帖子涉及五个流行的深度学习库Caffe，Keras，Tensorflow，Theano和Torch，以了解bug的类型，bug的根本原因，bug的影响，深度学习管道的bug易发阶段以及在这个bug软件中是否存在一些常见的反模式。我们研究的主要发现包括：数据错误和逻辑错误是深度学习软件中最严重的错误类型，出现的次数超过48%，这些错误的主要根源是模型参数不正确（IPS）和结构效率低下（SI），出现的次数超过43%。我们还发现，使用深度学习库时的错误有一些共同的反模式，导致库之间的错误类型具有很强的相关性。
2019-06-03 cs.LG cs.SE
Demystifying Regular Expression Bugs: A comprehensive study on regular expression bug causes, fixes, and testing
正则表达式会导致与字符串相关的错误和DOS攻击的开放安全漏洞。然而，除了ReDoS（正则表达式拒绝服务）之外，人们对正则表达式问题影响软件开发的程度以及如何在实践中解决这些问题知之甚少。我们对来自Apache，Mozilla，Facebook和Google GitHub存储库的356个合并regex相关的pull request bug进行了实证研究。我们识别正则表达式问题的性质、修复以及测试代码中的相关更改并对其进行分类。本文最重要的发现如下：1）不正确的正则表达式行为是正则表达式错误的主要根源（165/356，46.3%）。其余的根本原因是不正确的API使用（9.3%）和其他需要在修复中更改正则表达式的代码问题（29.5%），2）修复正则表达式错误并不简单，因为与一般的拉取请求相比，修复正则表达式错误需要更多的时间和更多的代码行，3）大多数（51%）与正则表达式相关的拉取请求不包含测试代码更改。某些正则表达式错误类型（例如，编译错误，性能问题，正则表达式表示）不太可能包括测试代码更改，4）在正则表达式相关的拉取请求中，测试代码更改的主要类型是测试用例添加（75%）。本研究的结果有助于更广泛地理解开发人员在使用、修复和测试正则表达式时所面临的实际问题。
2021-04-19 cs.SE
Recommending Bug-fixing Comments from Issue Tracking Discussions in Support of Bug Repair
在实践中，开发人员在面对新的bug时会搜索相关的早期bug及其相关的讨论线程。通常情况下，这些讨论线程由注释甚至bug修复注释组成，这些注释旨在捕获线索，以促进新bug报告的调查和根本原因。随着时间的推移，这些讨论可能会变得非常冗长和难以理解。不可避免的是，这些讨论线程会导致错误修复评论与不相关的评论混合在一起的情况。然而，在处理大量的错误报告时，这项任务带来了进一步的挑战。大型软件系统每天都受到数千个错误报告的困扰。因此，有效地调查这些错误报告变得非常耗时。为了解决这一差距，本文建立了一个基于排名的自动化工具，我们称之为RETRORANK。具体来说，RETRORANK建议在用户查询相关性、积极语言的使用和评论之间的语义相关性的上下文中，从问题跟踪讨论线程中修复错误的评论。通过使用向量空间模型（VSM），情感分析（SA）和TextRank模型（TR）的组合，我们展示了如何过去的固定错误和他们的相关错误修复评论相对积极的情绪可以语义连接，以调查一个新的错误的根本原因。我们通过综合研究和用户研究评估了我们的方法。结果表明，与基线VSM相比，RETRORANK显著提高了性能。
2021-05-24 cs.SE
Towards Understanding Bugs in Distributed Training and Inference Frameworks for Large Language Models
本文针对大语言模型分布式训练与推理框架的Bug问题，首次对3个主流框架的308个已修复Bug开展大规模实证分析，揭示Bug特征与低代码修复规律，为框架可靠性提升与自动化调试提供了方向。
2025-06-12 cs.SE
Detect Related Bugs from Source Code Using Bug Information
开源项目在开发和维护过程中经常会维护开放的bug仓库，报告者在提交bug时往往会直接或含蓄地指出bug发生的原因。关于bug的注释对于开发人员定位和修复bug是非常有价值的。同时，在大型软件中，程序员根据相同的逻辑重写或重载某些方法是非常常见的。如果一个方法导致了一个bug，那么很明显，其他重写或重载的方法可能会导致相关或类似的bug。在本文中，我们提出并实现了一个工具Rebug- Detector，它使用错误信息和代码特征来检测相关的错误。该方法首先从缺陷库中的缺陷信息中提取缺陷特征;其次从源代码中定位缺陷方法，并提取缺陷方法的代码特征;然后计算每个被覆盖或重载的方法与缺陷方法之间的相似度;最后确定哪个方法可能导致潜在的相关或相似缺陷。我们在一个开源项目Apache Lucene-Java上评估Rebug-Detector。我们的工具总共检测到61个相关的错误，其中包括21个真正的错误和10个可疑的错误，它花费了我们大约15.5分钟。结果表明，我们的工具提取的错误特征和代码特征是有用的，以发现在现有的项目中的真正的错误。
2011-03-18 cs.SE
An Empirical Study on the Characteristics of Database Access Bugs in Java Applications
本研究通过分析423个Java应用中的数据库访问错误，归纳出五大类根本原因，发现SQL查询、模式和API错误占84.2%，为开发者和研究者提供了改进建议。
2024-05-23 cs.DB cs.SE
Wherefore Art Thou? Provenance-Guided Automatic Online Debugging with Lumos
Princeton University（普林斯顿大学）；ByteDance（字节跳动）
本文提出Lumos框架，通过静态分析引导依赖追踪，实现低开销的在线调试，帮助开发者快速定位分布式系统中的根本原因。
2026-06-08 cs.DC cs.SE
A First Look at Bugs in LLM Inference Engines
School of Computer Science, Peking University（北京大学计算机学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；School of Software, Tsinghua University（清华大学软件学院）
本文首次对LLM推理引擎中的bug进行实证研究，揭示了六种bug症状类型和28种根本原因，为研究人员和开发者提供了改进bug检测与修复的指导。
2026-01-09 cs.SE
Detecting the Root Cause Code Lines in Bug-Fixing Commits by Heterogeneous Graph Learning
本文提出 RC_Detector，通过构建缺陷修复异构图、聚合代码语义并保留跨行依赖，在 87 个项目的 675 个提交上显著提升根因代码行检测性能。
2025-05-13 cs.SE
FReD: Automated Debugging via Binary Search through a Process Lifetime
可逆调试器至少从1970年就开始开发了。当bug的原因与bug的表现时间接近时，这样的特性非常有用。如果原因很久以前，则可以在调试器中设置适当的断点并开始新的调试会话。对于这些情况，当一个错误的原因是远远从它的表现时间，错误诊断需要一系列的调试会话，以缩小错误的原因。对于这样的“困难”的错误，这项工作提出了一个自动化的工具，通过进程的生命周期搜索，并找到原因。例如，该错误可能与程序不变式失败有关。在整个进程生命周期中进行二分搜索就足够了，因为在程序执行开始时不变表达式为真，而在遇到bug时为假。在FReD（快速可逆搜索器）软件中提出了一种用于这种二分搜索的算法。它基于检查点、重新启动和确定性地重放调试会话的多个进程的能力。它基于GDB（调试器），DMTCP（用于检查点重启）和DMTCP的自定义确定性记录重放插件。FReD支持复杂的、真实世界的多线程程序，如MySQL和Firefox。此外，二分搜索是鲁棒的。它在多线程程序上运行，并在重放期间利用多核架构。
2012-12-20 cs.SE
Developing Bug-Free Machine Learning Systems With Formal Mathematics
Stanford University（斯坦福大学）
在机器学习系统中，噪声数据、非凸目标、模型错误指定和数值不稳定都可能导致不期望的行为。因此，检测实际实现错误可能极其困难。我们展示了一种方法，开发人员使用一个交互式的证明助手来实现他们的系统，并说明一个正式的定理，定义它意味着他们的系统是正确的。在证明助手中交互地证明这个定理的过程暴露了所有的实现错误，因为程序中的任何错误都会导致证明失败。作为一个案例研究，我们实现了一个新的系统，Certigrad，优化随机计算图，我们生成一个正式的（即机器可检查）证明系统采样的梯度是真实的数学梯度的无偏估计。我们使用Certigrad训练了一个变分自编码器，发现其性能与在TensorFlow中训练相同模型相当。
2017-06-26 cs.AI cs.SE
Auto-labelling of Bug Report using Natural Language Processing
Juniper Networks Inc.（瞻博网络公司）；San José State University（圣何塞州立大学）
本文提出一种结合NLP技术的自动标记错误报告方法，利用自定义数据转换器、深度神经网络和非泛化机器学习，在数千个错误报告上实现recall@5为70%的高检索准确率。
2022-12-13 cs.AI cs.LG cs.SE
Causal Testing: Finding Defects' Root Causes
了解缺陷的根本原因对于隔离和修复bug行为至关重要。我们提出了因果测试，这是一种新的根本原因分析方法，它依赖于反事实因果关系理论来识别一组执行，这些执行可能包含理解和修复错误行为所需的关键因果信息。使用Defects4J基准测试，我们发现因果测试可以应用于71%的真实缺陷，并且对于其中的77%，它可以帮助开发人员识别缺陷的根本原因。一个有37名开发人员参与的对照实验表明，因果测试提高了参与者识别缺陷原因的能力，从标准测试工具的80%提高到因果测试的86%。参与者报告说，因果测试提供了使用JUnit等工具无法获得的有用信息。Holmes，我们的原型，因果测试的开源Eclipse插件实现，可以在http://holmes.cs.umass.edu/上找到。
2020-02-19 cs.SE
MultiDimEr: a multi-dimensional bug analyzEr
本文提出并实现了多维缺陷分析工具 MultiDimEr，通过分类和可视化缺陷报告维度识别技术债务，在 Ericsson 评估中成功定位缺陷热点与趋势，验证了手动属性准确性并促进根因分析。
2024-02-16 cs.SE
A mathematical framework for automated bug localization
在本文中，我们提出了一个数学框架自动错误定位。这一框架可简要概述如下。程序执行可以表示为有根无环有向图。我们通过图上的割集来定义执行快照。程序状态可以看作割集中边上标号的一个连接。然后，我们认为，调试任务是一个修剪过程的执行图使用割集。一种剪枝算法，即，调试任务。
2003-09-30 cs.SE
Adaptive Root Cause Localization for Microservice Systems with Multi-Agent Recursion-of-Thought
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
本文提出RCLAgent，一种基于多智能体递归思维框架的自适应微服务根因定位方法，通过递归推理、多维扩展与跨模态分析，仅用单个请求即可超越依赖多请求聚合的现有方法。
2025-08-28 cs.AI cs.SE
A Topology-Aware, Memory-Centric Architecture that Separates Root-Cause Derivation from Root-Cause Explanation
Independent Research Prototype（独立研究原型）
提出OPS CORTEX多智能体原型，通过四层操作记忆分离根本原因推导（基于依赖图与阈值时序）与解释（LLM），解决微服务故障诊断中上下文丢失问题。
2026-06-23 cs.AI cs.SE
Causal Inference-Based Root Cause Analysis for Online Service Systems with Intervention Recognition
Tsinghua University（清华大学）；BizSeer（必示科技）
故障诊断在许多领域中是至关重要的，因为故障可能导致安全威胁或经济损失。在在线服务系统领域，运营商依靠大量的监控数据来检测和减轻故障。快速识别潜在故障的一小组根本原因指示符可以节省大量时间来缓解故障。在本文中，我们制定的根本原因分析问题作为一个新的因果推理任务命名为干预识别。提出了一种基于因果推理的无监督根本原因分析方法CIRCA。核心思想是一个监控变量成为根本原因指标的充分条件，即，在因果贝叶斯网络（CBN）中，以父节点为条件的概率分布的变化。针对在线服务系统中的应用，CIRCA基于系统结构知识和一组因果假设，构建了一个监控指标图。仿真研究表明了CIRCA的理论可靠性。在真实世界数据集上的性能进一步表明，CIRCA可以将前1推荐的召回率提高25%，超过最佳基线方法。
2022-06-13 cs.AI cs.SE
Watch out for Extrinsic Bugs! A Case Study of their Impact in Just-In-Time Bug Prediction Models on the OpenStack project
内在缺陷是指在软件的版本控制系统中可以识别出引入变更的缺陷的缺陷。相比之下，外部错误是由软件的外部更改引起的，例如外部API中的错误;因此，它们没有明确的错误会在版本控制系统中引入更改。虽然大多数以前的研究文献都假设所有的错误都是内在的，但在以前的研究中，我们发现并非所有的错误都是内在的。本文展示了一个例子，如何考虑外部缺陷可以影响软件工程的研究。具体来说，我们研究外部错误的影响，在及时错误预测的部分复制最近的研究由麦金托什和龟井JIT模型。这些模型使用早期引入bug的更改的属性进行训练。由于外部错误没有在版本控制系统中引入更改的错误，因此我们手动管理McIntosh和Kamei的数据集以区分内部和外部错误。然后，我们解决他们原来的研究问题，这一次删除外部错误，研究是否错误引入的变化是一个移动的目标，在即时错误预测。最后，我们研究了内部和外部错误的特征是否不同。我们的研究结果表明，内在和外在的错误是不同的性质。当删除外部错误时，性能差异高达16%曲线下面积点。这表明我们的JIT模型获得了对现实世界更准确的表示。我们的结论是，外部错误产生负面影响的即时模型。此外，我们提供的证据表明，外部错误应该进一步调查，因为它们可以显着影响软件工程师如何理解错误。
2021-03-28 cs.SE
Casper: Debugging Null Dereferences with Dynamic Causality Traces
修复软件错误需要了解其根本原因。在本文中，我们引入了“因果关系跟踪”，精心制作的执行跟踪，增加了重建从错误的根本原因到执行错误的因果链所需的信息。我们提出了一种方法和一个工具，称为卡斯珀，动态构建因果关系跟踪空解引用错误。Casper的核心思想是在执行流中注入特殊的值，称为“ghosts”，以在运行时构建因果关系跟踪。我们评估我们的贡献，提供和评估的因果关系的痕迹，收集了六个大型的，流行的开源项目的14个真正的空引用错误。在这个数据集上，Casper在不到5秒的时间内建立了因果关系。
2015-11-20 cs.SE
Using Word Embedding and Convolution Neural Network for Bug Triaging by Considering Design Flaws
在软件维护阶段解决bug是一项复杂的任务。缺陷分配是解决缺陷的主要任务之一。有些bug在没有设计决策的情况下无法正确修复，必须分配给设计师，而不是程序员，以避免出现可能导致后续bug报告的不良气味。因此，重要的是将一些错误提交给设计师，以检查可能的设计缺陷。根据我们的最佳知识，有一些作品已经考虑将错误提交给设计师。因此，在这项工作中考虑了这个问题。在本文中，创建了一个数据集，并提出了一个基于CNN的模型，通过学习错误报告的特点，有效地在代码中创建难闻的气味，来预测是否需要将错误分配给设计师。每个错误的特征是基于其文本特征（例如摘要和描述）从CNN中提取的。在修复过程中使用PMD工具添加到其中的坏样本的数量决定了bug标签。最后对模型中的新缺陷进行了总结和描述，并对模型进行了预测，以供设计人员参考。对于具有足够数量的样本用于基于深度学习的模型训练的数据集，实现了75%（或更高）的准确性。提出了一个模型来预测错误转介到设计师。该模型的效率，在预测转介到设计师在收到的错误报告时，证明了测试模型的10个项目。
2022-09-20 cs.SE
Integrating Crash Report Mining and LLMs for Bug Localization and Repair: An Industrial Report
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）；Singapore Management University（新加坡管理大学）；Federal University of Pernambuco（伯南布哥联邦大学）
本研究整合崩溃报告挖掘技术与大语言模型，经对5种LLMs的评估后，在38个Java企业系统崩溃缺陷上验证，最优配置可定位71%、修复52%的缺陷，为工业调试提供有效方案。
2026-09-07 cs.SE
A Comprehensive Empirical Study of Bugs in Open-Source Federated Learning Frameworks
ShanghaiTech University（上海科技大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tianjin University（天津大学）；Nankai University（南开大学）
本研究针对开源联邦学习框架的bug问题，首次从17个主流框架的千余条相关议题与拉取请求中收集1119个bug，构建多维度分类体系并分析其功能分布与关联，得出9项核心发现，为优化FL框架和bug治理工具研发提供依据。
2023-10-06 cs.LG cs.SE
Evaluating the NIST Bugs Framework Against CWE as a Successor for Automated Vulnerability Classification
The University of Alabama（阿拉巴马大学）
本研究评估NIST漏洞框架（BF）作为CWE继任者的可行性，通过专家标注和LLM自动化实验，证明BF在结构化程度和自动化友好性上优于CWE，但存在属性指导不足等空白。
2026-09-16 cs.CR cs.SE
BARO: Robust Root Cause Analysis for Microservices via Multivariate Bayesian Online Change Point Detection
针对现有微服务根因分析依赖精准异常检测、结果易受偏差影响的问题，提出融合异常检测与根因分析的端到端方法BARO，通过多变量贝叶斯在线变点检测与非参数假设检验提升鲁棒性，在三个基准系统上性能超越现有最优方法。
2024-05-15 cs.SE
Root Cause Analysis for Microservice System based on Causal Inference: How Far Are We?
本文系统评估九种因果发现方法和二十一种根因分析方法，揭示其在有效性、效率和参数敏感性上的不足及合成与真实系统性能差异，并展望未来方向。
2024-09-08 cs.SE
Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments
Wuhan University（武汉大学）；Sun Yat-sen University（中山大学）；Central China Normal University（华中师范大学）
针对云边协同环境下微服务系统根因定位难的问题，提出MicroCERCL方法，结合内核日志与异构动态拓扑栈的图神经网络模型，无需历史数据即可定位根因，性能优于现有方法。
2024-06-19 cs.AI cs.PF cs.SE
Identifying Root Causes of Null Pointer Exceptions with Logical Inferences
针对基于LLM的故障定位技术依赖LLM导致的不可靠、成本高及难分析问题，提出LogicFL逻辑故障定位技术，通过逻辑推理模拟人类演绎过程识别NPE根本原因，在76个NPE bug上实现88.16%的准确率，成本效率显著优于LLM-based技术且过程可追溯。
2024-12-01 cs.SE
The Impact Of Bug Localization Based on Crash Report Mining: A Developers' Perspective
本文通过18个月、三个团队的实践，评估基于崩溃报告分组的缺陷定位方法，发现开发者选择候选缺陷时考虑多种因素，该方法精确度约80%，并收集了开发者对可疑文件实用性的反馈。
2024-03-16 cs.IR cs.SE
Bug Characterization in Machine Learning-based Systems
Polytechnique Montréal（蒙特利尔理工学院）；York University（约克大学）
本文研究了基于ML的软件系统中的缺陷特征，通过分析GitHub上300个代码库的386个问题，发现ML组件比非ML组件更易出错且修复成本更高。
2023-07-26 cs.LG cs.SE
An Extensive Replication Study of the ABLoTS Approach for Bug Localization
State Key Laboratory for Novel Software Technology, Nanjing University（南京大學新型軟件技術國有重點實驗室）；Institute for Software Systems Engineering, Johannes Kepler University（約瀚內斯·克普勒大學軟件系統工程研究所）；Department of Computer Science, North Carolina State University（北卡羅來納州立大學計算機科學系）；Department of Computer Science, Southern Methodist University（南衛理公會大學計算機科學系）
本文通过复制研究评估ABLoTS在扩展数据集上的表现，发现核心组件TraceScore效果稳定，但因错误选择截止日期导致测试数据泄露，影响了复现结果。
2026-05-12 cs.SE
Anomaly Detection and Failure Root Cause Analysis in (Micro)Service-Based Cloud Applications: A Survey
微服务和云原生软件架构所获得的动力推动了当今企业IT向多服务应用的发展。应用程序中服务和服务交互的激增（通常由数百个交互服务组成）使得更难检测故障并确定其可能的根本原因，而这对于迅速恢复和修复应用程序至关重要。已经提出了各种技术来基于故障的症状迅速检测故障，即，观察一个或多个应用服务中的异常行为，以及分析这些服务的日志或所监视的性能，以确定所观察到的异常的可能根本原因。本次调查的目的是提供一个结构化的概述和定性分析，目前可用的技术异常检测和根本原因分析，在现代多服务应用程序。一些开放的挑战和研究方向的分析所产生的也进行了讨论。
2021-05-26 cs.SE
RADICE: Causal Graph Based Root Cause Analysis for System Performance Diagnostic
针对系统性能诊断中的根因分析，提出基于因果图的方法RADICE，利用部分领域知识构建因果模型，通过图发现等过程输出根因子图，实验优于基线方法。
2025-01-20 cs.SE
SoK: From Finding to Deployment: Systematizing the OS Kernel Bug Lifecycle
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Indiana University Bloomington（印第安纳大学布鲁明顿分校）
本SoK系统化Linux内核缺陷从发现到部署的生命周期，划分五个阶段，通过测量syzbot修复缺陷揭示崩溃到补丁差距的结构性原因，指出修复技术应把复现器等产物视为输出而非前提。
2026-09-22 cs.CR cs.OS cs.SE
COCA: Generative Root Cause Analysis for Distributed Systems with Code Knowledge
COCA通过从代码中提取诊断线索并重构执行路径，增强LLM对问题报告的根因分析，显著提升定位和摘要性能。
2025-03-29 cs.SE
Combining Language and App UI Analysis for the Automated Assessment of Bug Reproduction Steps
University of Central Florida（中佛罗里达大学）；William & Mary（威廉玛丽学院）；George Mason University（乔治梅森大学）
本文提出AstroBR技术，利用大语言模型从缺陷报告中提取复现步骤并映射到动态分析得到的GUI交互模型，在S2R标注和缺失步骤建议上分别比基线提升25.2%和71.4%的F1分数。
2025-02-06 cs.LG cs.SE
Graph-Free Root Cause Analysis
RMIT University, Australia（皇家墨尔本理工大学）
PRISM是一种无需依赖图的高效根因分析框架，在真实世界数据集上实现了68%的Top-1准确率，比基线方法提升了258%。
2026-01-29 cs.LG cs.SE
RCABench: Open Benchmarking Platform for Root Cause Analysis
Fuzzing有助于自动识别软件测试领域的错误和漏洞。虽然它可以有效地生成崩溃输入，但这些输入通常是手动分析的。已经提出了几种根本原因分析（RCA）技术来自动分析崩溃的根本原因，以减轻这种成本。然而，由于缺乏对现有技术的广泛评估方法，实现更精细的RCA技术的突出挑战仍然未知。考虑到这个问题，我们开发了一个端到端的基准测试平台，RCABench，可以评估RCA技术的各种目标程序在一个详细和全面的方式。我们与RCABench的实验表明，以前研究中的评估不足以完全支持他们的主张。此外，该平台可以通过与现有技术进行比较来评估新兴的RCA技术。
2023-03-10 cs.CR cs.SE
Generic and Robust Root Cause Localization for Multi-Dimensional Data in Online Service Systems
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology (BNRist)（北京国家信息科学与技术研究中心（BNRist））；Tianjin University（天津大学）；Nankai University（南开大学）；Bizseer（必示科技）；China Construction Bank（中国建设银行）
针对在线服务系统多维数据根因定位问题，提出基于广义涟漪效应的通用鲁棒方法PSqueeze，含概率聚类、启发式搜索及外部根因判定方法，实验与生产案例验证其性能显著优于基线且实用高效。
2023-05-05 cs.LG cs.PF cs.SE
