Share
Embed
SREのためのテレメトリー技術の探究 / Telemetry for SRE
YAPC::Fukuoka 2025 ゲストトーク
Yuuki Tsubouchi (yuuk1)
November 14, 2025
Transcript
69 slides
-
SREのための テレメトリー技術の探究 YAPC::Fukuoka 2025 ゲストセッション Yuuki Tsubouchi (@yuuk1t)
さくらインターネット研究所 — モニタリングSaaS開発からAIOps・AIインフラまで -
来歴 3 2013 2019 2020 2025 ݱࡏ モニタリング SaaS SRE
さくら インターネット 研究所 はてな 京都 大 学 大 学院 情報学研究科 博 士 (情報学) 取得 AIOps AI Supercomputer eBPF YAPC::Asia 2013/2015 スピーカー -
5 アジェンダ はじめに モニタリ ングSaaS 開発
博 士 研究 まとめ 今後の 探究 -
6 1. はじめに はじめに 博 士
研究 まとめ モニタリ ングSaaS 開発 今後の 探究 -
テレメトリーは基礎 of 基礎 … reliability is the most fundamental feature
of any product: a system isn’t very useful if nobody can use it! By Michael R. Lyu By Ben Treynor Sloss ৴པੑͷجૅϞχλϦϯά ϓϩμΫτɾֶͷجૅ৴པੑ ςϨϝτϦʔʹΑΓ࣮ݱ Reliability is probably the most important factor to claim for any engineering discipline, … 7 1. ͡Ίʹ <>#FUTZ#FZFS FUBM l4JUFSFMJBCJMJUZFOHJOFFSJOHIPX(PPHMFSVOTQSPEVDUJPOTZTUFNTz 0`3FJMMZ.FEJB <>.JDIBFM3-ZV l4PGUXBSF3FMJBCJMJUZ&OHJOFFSJOH"3PBENBQ '04& <> <> -
テレメトリー界の 大 まかな歴史 1960 2025 2000 1990 1980 2010 2020
੍ޚֶ 04ͱ/8ػثͷ ܭͱՄࢹԽ 6/*9ͱΠϯλʔωοτ ΦϒβʔόϏϦςΟ --. 0CTFSWBCJMJUZ ϞχλϦϯά 4BB4ͷීٴ ౷߹ࢹ 044 54%#ͷ εέʔϦϯά ࢄτϨʔγϯά ඪ४Խ Ϋϥυ θϩίʔυ ܭ ܧଓతϓϩ ϑΝΠϦϯά 43& 2015 ϩάసૹͱੳ 8 1. ͡Ίʹ -
テレメトリー年表 1960-2005 1960 ຌྫ จ 044 4BB4 ϓϩτίϧɾ༷ ,BMNBO *'"$
1980 4ZTMPH 1990 92 4/.1 W #1' 98 .35( 2001 T'MPX 04 2005 #PSHNPO .VOJO 99 (BOHMJB 33%UPPM $PMMFDUE 03 02 ;BCCJY /BHJPT %5SBDF 4ZTUFN5BQ %ZOBUSBDF 4QMVOL 0CTFSWBCJMJUZ 64&/*9XJOUFS -*4" -*4" 1BSBMMFM$PNQVU 1. ͡Ίʹ ͦͷଞ -
テレメトリー年表 2006-2015 %BQQFS $"$. ;JQLJO 1SPNFUIFVT (PSJMMB 7-%# F#1' 95SBDF
/4%* 2007 2010 2015 2008 /FX3FMJD %BUBEPH 2012 .BDLFSFM 2014 "QQ%ZOBNJDT (SBQIJUF *O fl VY%# 4UBUT% 0QFO54%# 2011 'MVFOUE (SBGBOB 2013 ,BJSPT%# 1JWPU 5SBDJOH 4041 4FOTV #$$ 1. ͡Ίʹ ຌྫ จ 044 4BB4 ϓϩτίϧɾ༷ ͦͷଞ -
テレメトリー年表 2016-2025 0QFO5SBDJOH )POFZDPNC 0QFO5FMFNFUSZ .POBSDI 7-%# 05F- 1SP fi
MF 2016 2025 18 0QFO.FUSJDT H/.* 17 19 2020 24 0#* ΦϒβʔόϏϦςΟͷීٴ 0QFO$FOTVT +BFHFS 21 "*0QT %FFQ'MPX 4*($0.. -PLJ 7JDUPSJB.FUSJDT 23 1ZSPTDPQF 5IBOPT $PSUFY 4JHOP[ 4LZ8BMLJOH 0QFO--.FUSZ 0QFO-*5 7JDUPSJB-PHT 22 8$ 5SBDF $POUFYU .%# 1. ͡Ίʹ ຌྫ จ 044 4BB4 ϓϩτίϧɾ༷ ͦͷଞ -
年表のその先は? ʁ 12 1. ͡Ίʹ 2025 2020 --. 0CTFSWBCJMJUZ ඪ४Խ
θϩίʔυ ܭ ܧଓతϓϩ ϑΝΠϦϯά -
年表のその先は? 2025 2020 --. 0CTFSWBCJMJUZ ඪ४Խ θϩίʔυ ܭ ܧଓతϓϩ ϑΝΠϦϯά
ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ "*GPS43& োཧͷ"*.-ద༻ 0CTFSWBCJMJUZGPS"*4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ্ $POUSPMMBCJMJUZ 4-*ʹج੍ͮࣗ͘ޚ 13 1. ͡Ίʹ -
14 2. モニタリングSaaS開発 はじめに 博 士
研究 まとめ モニタリ ングSaaS 開発 今後の 探究 -
2013年 サーバ管理ツールの開発 ςοΫΧϯϑΝϨϯεॳొஃ IUUQTTQFBLFSEFDLDPNZVVLJUIBUFOBGBMTFTBCBHVBOMJUVSVGBMTFIVB 15 2. ϞχλϦϯάSaaS։ൃ ͯͳͷΞϧόΠτͰ1FSM Ͱॻ͔Εͨαʔόཧπʔ ϧΛॻ͘ʑ
:"1$"TJB5PLZP ϨδετϦ 33%UPPM ϫʔΧʔ αʔό /BHJPT ෦%/4 ݖҖαʔό 4/.1 "1* "1* -
2. ϞχλϦϯάSaaS։ൃ モニタリングSaaSでの経験を通じて w αʔόɺϝτϦΫεɺΞϥʔτͷΈͰͦͷγεςϜͷ͜ͱΘ͔Βͳ͍ w γεςϜσβΠϯɺϢʔβʔߦಈͷɺۭؒతߏʢґଘؔʣɺΞ ϥʔτରԠͷཤྺɺΞϓϦͷυϝΠϯࣝͳͲ w ϓϩμΫτίϯηϓτ͕ॏཁͰ͋Δ͜ͱʹؾͮ͘
w ϞχλϦϯά͕؆୯ʹͰ͖·͢ɺҎ্ͷͳʹ͔ w 044ࢹπʔϧ4BB4Ҡߦ͢Δ߹͜ΕͰΑ͔͕ͬͨʜ w ίϯηϓτ͕ͳ͍ͱઑΒͳ͍ 19 -
2017年 コンセプトへの傾倒 *14+0/& ࢹ͔Β؍ଌͱ࣮ݧ ʢPZ͕ྲྀ͞ΕΔલʂʣ Մ؍ଌੑͱՄ੍ޚੑͷ֓೦ΛΔ ߃ৗతʹଟ༷ͳোͱෛՙΛى͜͠ɺςϨϝτ ϦʔΛͱʹߏங͞ΕΔཧϞσϧΛܧଓతʹௐ ͢ΔγϛϡϨʔλʔͷΑ͏ͳͷ αΠόωςΟΫεҰൠγεςϜཧɺ੍ޚֶͷ
ຊΛಡΈ࢝ΊΔ IUUQTTQFBLFSEFDLDPNZVVLJUJQTKPOFZVVLJ ϓϩΞΫςΟϒʹγεςϜΛ؍Δ 20 2. ϞχλϦϯάSaaS։ൃ -
2019年 さくらインターネット研究所へ ͦͯ͠ॴͷનΊ͋ Γɺཌʹത࢜՝ఔ 22 IUUQTSFTFBSDITBLVSBBEKQ lதظతͳࢹΛ࣋ͪɺ ʙޙʹ࣮༻Խ͕ظ ͞ΕΔٕज़Λ୳ٻ͠ͳ͕ ΒɺϝϯόʔҰਓͻͱΓ
͕ʮ໘ന͍ʯͱײ͡Δ ςʔϚʹઓ͠ɺత ͳΠϊϕʔγϣϯΛੜΈ ग़͠·͢ɻz -
23 3. 博 士 研究 はじめに 博
士 研究 まとめ モニタリ ングSaaS 開発 今後の 探究 -
時系列DBのKVSの書き込み効率 ϝϞϦϕʔεKVS ϝϞϦϥϯμϜΞΫ ηεޮʹ༏ΕΔͨ ΊɺϋογϡදΛ࠾༻ σΟεΫϕʔεKVS ϝτϦΫε͕૿େ͢Δ = KVSͷΩʔ͕૿େ͢Δ Memory
Disk ฏߧɾεΩο ϓϦετͳͲͷ ιʔτࡁΈߏ ιʔτࡁΈͷͨ ΊσΟεΫΞΫ ηεޮ͕ߴ͍ O(logn) ॻ͖ࠐΈ Flush ॻ͖ࠐΈ Memory O(k) σΟεΫ্ʹσʔλ Λอ࣋͠ͳ͍ɻ ʢίϛοτϩάΛআ͘ʣ Disk File HBase, Cassandra, … Redis, Valkey, Dragonfly, … 3. ത࢜ݚڀ ↳ ෦ΦϒδΣΫτͷཧίετ૿େ ྫʣσʔλՃ࣌ͷΠϯσοΫεࢀরޮ -
ϝϞϦϕʔεKVS ϝϞϦϥϯμϜΞΫ ηεޮʹ༏ΕΔͨ ΊɺϋογϡදΛ࠾༻ σΟεΫϕʔεKVS ϝτϦΫε͕૿େ͢Δ = KVSͷΩʔ͕૿େ͢Δ ↳ ෦ΦϒδΣΫτͷཧίετ૿େ
Memory Disk ฏߧɾεΩο ϓϦετͳͲͷ ιʔτࡁΈߏ ιʔτ͞Ε͍ͯ ΔͨΊσΟεΫ ΞΫηεޮ͕ ߴ͍ O(logn) ॻ͖ࠐΈ Flush ॻ͖ࠐΈ Memory O(k) σΟεΫ্ʹσʔλ Λอ࣋͠ͳ͍ɻ ʢίϛοτϩάΛআ͘ʣ Disk ✘ ϝϞϦهԱྔ͋ͨΓͷඅ༻͕େ ͖͍ͨΊɺظอ࣋ʹෆ͖ɻ ✘ Ωʔ͕େ͖͍࣌ʹɺσʔλͷॻ͖ ࠐΈޮ͕Լ͢Δɻ 3. ത࢜ݚڀ 時系列DBのKVSの書き込み効率 ྫʣσʔλՃ࣌ͷΠϯσοΫεࢀরޮ -
第 一 の研究:時系列DB 27 Client ϝϞϦϕʔεKVSʢRedisʣ σΟεΫϕʔεKVSʢCassandraʣ App Flusher ݹ͍σʔλͷอଘίετޮΛ্
σʔλͷϚΠά Ϩʔγϣϯ ৽ணσʔλΛૠೖ ϋογϡදʹجͮ͘ߴऔΓࠐΈ SSD/HDDʹอଘ͢Δ͜ͱʹΑΔ ظอ࣋ίετͷԼ ཱ྆ 3. ത࢜ݚڀ -
第 一 の研究:スループットの 比 較 ϗετʢ1~8ʣ औ Γ ࠐ Έ
ε ϧ ʛ ϓ ο τ ఏҊख๏͕ϕʔεϥΠϯͷ 3.98ഒɻ 420k datapoints/s ੨ɿKairosDB ᒵɿఏҊख๏ Slackࣾͷ12 M/s ͷϫʔΫϩʔυʹஔ ͖͑Δͱ - ఏҊख๏229ݸ - KairosDB915ݸ ͷϗετΛඞཁͱ͢ΔܭࢉʹͳΔɻ ϝτϦΫεΛ1Mʹݻఆ 3. ത࢜ݚڀ <>௶༎थ ͦͷଞ )FUFSP54%#ҟछࢄ,74ؒͷࣗಈ֊ԽʹΑΔߴੑೳ ͳ࣌ܥྻσʔλϕʔε ใॲཧֶձจࢽ <>ਤ̏ΑΓվมͯ͠సࡌ -
第 二 の研究:NWコールグラフ 29 Load Balancers Database Clusters Web app
servers Message queues Kernel User Proxy Network Stack App NIC Switch ωοτϫʔΫ௨৴ܦ࿏্ͷ͍ͣΕ ͔ʹܭଌΛઃஔ͢Δɻ ΧʔωϧͰͷ F#1'ܭ ʹண 3. ത࢜ݚڀ -
第 二 の研究:類似の 手 法の存在 30 Τοδέʔεͷղܾʹ ͳΓɺͩΜͩΜߩݙ͕খ͞ ͘ͳ͍ͬͯͬͨ طଘख๏ᶃ
ύέοτ͕૿Ճ͢Δͱɺ ܭଌΦʔόʔϔου૿Ճ طଘख๏ᶄ ໋ͳTCPଓ͕େ͖͍ ڥͰܭଌΦʔόʔϔου૿Ճ ఏҊख๏ Aggregation of aggregation ͷΑ͏ͳํ๏Ͱղܾ ղܾ ղܾ 3. ത࢜ݚڀ -
第 二 の研究:オーバーヘッド 比 較実験 ఏҊख๏ ɾ2.2%ҎԼͷCPUར༻Λҡ࣋ɻ طଘख๏ᶃ ࠷େ21.3%·ͰCPUར༻͕૿Ճɻ طଘख๏ᶄ
࠷େ11.5%·ͰCPUར༻͕૿Ճɻ 3. ത࢜ݚڀ <>:5TVCPVDIJ FUBM -PX0WFSIFBE5$16%14PDLFUCBTFE5SBDJOHGPS%JTDPWFSJOH/FUXPSL4FSWJDFT%FQFOEFODJFT +PVSOBMPG*OGPSNBUJPO1SPDFTTJOH +*1 7PM QQ [1]ͷ Fig 3. (a)ΑΓసࡌ -
ϝτϦΫε 第三の研究:AIOps 32 /8ίʔϧάϥϑ ػցֶशɾ౷ܭղੳ োݪҼಛఆ ؔ࿈จ͕ࢁ΄Ͳ͋ͬͨ 着想当時(2021年)で50+本 ೖྗ ౷ܭతҼՌਪ
3//-45.(// ࣌ܥྻҟৗݕ ログやトレースも含む ࣌ܥྻΫϥελϦϯά ʜ ࠾༻͞ΕΔϞσϧଟ <>4PMEBOJ+ #SPHJ""OPNBMZEFUFDUJPOBOEGBJMVSFSPPUDBVTFBOBMZTJTJO NJDSP TFSWJDFCBTFE DMPVEBQQMJDBUJPOT"TVSWFZ"$.$PNQVUJOH4VSWFZT $463 'FC <> 3. ത࢜ݚڀ -
問題設定をずらす 33 ಛྔݮ લॲཧͰϊΠζআڈ͢Δख๏Λ ߟ͑ͯΈΕ͍͍ͷͰʁ ଟ࣍ݩϥϕϦϯάʹΑΓ ϝτϦΫε͕૿େ ϊΠζ͕ଟ͍ 💡 ϝτϦΫε
/8ίʔϧάϥϑ ػցֶशɾ౷ܭղੳ োݪҼಛఆ ೖྗ 3. ത࢜ݚڀ -
34 負荷テストと故障注 入 でデータづくり Workflow Scheduler Operational Data Stoage Load
Generator Target Application 1. Inject faults Datasets Repositorry 2. Pick latest data to datasets 3. Wait until the application recovers ᶅ ࣍ͷinjection࣌ؒ ɹɹɹɹɹ·Ͱػ ᶃ ނোΛೖ ɹ(LitmusChaos) ᶄ εϩοτͷσʔλΛ ࠾औ Locust Microservices (Train Ticket) Argo Work fl ow 3. ത࢜ݚڀ ௶༎थ ੨ࢁਅ .FMUSJBɿϚΠΫϩαʔϏεʹ͓͚ΔҟৗݕɾݪҼੳͷͨΊͷσʔληοτͷಈతੜγεςϜ *054 -
[Tsubouchi+,ACCESS2025] Fig. 5:ΑΓసࡌ STEP 2: มԽ࣌ؒͷ ΛجʹηάϝϯτΛׂ STEP 1: ࣌ܥྻ͝ͱʹɺมԽީิ
Λݕग़ STEP 3: ࠷େີͷηάϝϯτΛબ ߦ͖ண͍ͨಛྔݮͷΈ 3. ത࢜ݚڀ -
38 💡ͲͷݸผݚڀϫʔΫϩʔυͷ૿େʹର͢ΔղܾఏҊʹͳ͍ͬͯͨ l4DBMJOH5FMFNFUSZ8PSLMPBETz ୈೋݚڀɹܭଌ $16Ϧιʔεফඅݮ /8ଓ૿େ ϝτϦΫε૿େ ϝτϦΫε૿େ $16ɾ*0Ϧιʔεফඅݮ ࣮ߦ࣌ؒݮɾਫ਼૿
ίΞίϯηϓτͱͯ͠நग़ 博 士 論 文 のコアコンセプト 3. ത࢜ݚڀ ୈҰݚڀɹอଘ ୈࡾݚڀɹੳ -
40 4. 今後の探究 はじめに 博 士 研究
まとめ 今後の 探究 40 モニタリ ングSaaS 開発 -
今後の探究領域 4. ࠓޙͷ୳ڀ 2025 2020 ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ "*GPS43& োཧͷ"*.-ద༻ 0CTFSWBCJMJUZGPS"*4ZTUFNT
(16ΫϥελͷΦϒβʔόϏϦςΟ্ $POUSPMMBCJMJUZ 4-*ʹج੍ͮࣗ͘ޚ 4LJQ -
今後の探究領域 4. ࠓޙͷ୳ڀ 2025 2020 ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ "*GPS43& োཧͷ"*.-ద༻ 0CTFSWBCJMJUZGPS"*4ZTUFNT
(16ΫϥελͷΦϒβʔόϏϦςΟ্ $POUSPMMBCJMJUZ 4-*ʹج੍ͮࣗ͘ޚ 4LJQ -
Collect FirstからUse Firstへ ܭଌ อଘ ੳ ඞཁͳσʔλͷΈΛऩू͢ΔΑ͏ʹࣗಈదԠ͍ͤͨ͞ ςϨϝτϦʔύΠϓϥΠϯԣஅͷશମ࠷దԽ σʔλར༻ύλʔϯͷ ϑΟʔυόοΫ
43 4. ࠓޙͷ୳ڀ ത࢜จͰہॴతͳݸผ࠷దԽʹͱͲ·ͬͨ -
今後の探究領域 今後の探究領域 45 4. ࠓޙͷ୳ڀ 2025 2020 ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ "*GPS43&
োཧͷ"*.-ద༻ 0CTFSWBCJMJUZGPS"*4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ্ $POUSPMMBCJMJUZ 4-*ʹج੍ͮࣗ͘ޚ 4LJQ -
AI for SRE --.ҎલςϨϝ τϦʔσʔλͷΈ Λݯͱ͍ͯͨ͠ --.Ҏޙਓؒ ͕ॻ͍ͨςΩετ ΛؚΊΔΑ͏ʹ <>;IBOH
-JOH[IF FUBM"4VSWFZPG"*0QTGPS'BJMVSF.BOBHFNFOUJOUIF&SBPG-BSHF-BOHVBHF .PEFMTz "$.$463 <>'JHΑΓసࡌ 46 4. ࠓޙͷ୳ڀ -
LLM for SREの典型的な課題 ˢ4DBMJOH5FMFNFUSZ8PSLMPBET ίϯηϓτʹؚΊΒΕΔ 47 4. ࠓޙͷ୳ڀ σʔλܗࣜͷ࣭తͳҟ࣭ੑ ϩάɾϝτϦΫεɾτϨʔε
ͷੜσʔλΛؚΊΔͱ͙͢ʹ ίϯςΩετΟϯυΛ ͑ͯ͠·͏ ϝτϦΫε࣌ܥྻσʔλɺ ϩάߏԽςΩετɺτ ϨʔεґଘάϥϑͳͲɺݴ ޠϞσϧ͕ղऍ͢Δ͜ͱ ͕͍͠ σʔλͷྔతͳେ͞ -
コンテキスト 長 問題 <>$IFO :JOGBOH FUBM"*0QT-BC")PMJTUJD'SBNFXPSLUP&WBMVBUF"*"HFOUT GPS&OBCMJOH"VUPOPNPVT$MPVET BS9JW <>'JHVSFΑΓసࡌ
"*ΤʔδΣϯτ͕σʔλऔಘ πʔϧʢHFU@NFUSJDT HFU@USBDFTʣΛෆ༻ҙʹ ༻͢ΔͱɺίϯςΩετ͕ա ෛՙʹͳΔ λεΫʹࣦഊͨ͠έʔε Ͱ͜ΕΒͷ"1*͕ΑΓ සൟʹ༻͞Εͨ ༨ஊɿϝτϦΫεϑΟϧλϦ ϯάʹɺZVVLͷത࢜ݚڀᶅ Λ͑ΔͷͰʜʁ 48 4. ࠓޙͷ୳ڀ -
コンテキスト 長 問題への対処 ,74ʹΑΔεφοϓγϣοτཧ <>;FGBO8BOH FUBM l3$"HFOU$MPVE3PPU$BVTF"OBMZTJTCZ"VUPOPNPVT"HFOUTXJUI 5PPM"VHNFOUFE-BSHF-BOHVBHF.PEFMTz $*,.
PCTFSWBUJPOIFBE PCTFSWBUJPO PCTFSWBUJPO PCTFSWBUJPO TOBQTIPU TOBQTIPU TOBQTIPU ཁϔουͱ ϋογϡΩʔͷΈؚΉ ϩάͷཁจ ੜϩά ϋογϡΩʔ ίϯςΩετ πʔϧݺͼग़͠Ͱඞཁͳ σʔλͷΈಡΈࠐΉ 49 4. ࠓޙͷ୳ڀ -
大 量の 生 異種データの特徴表現 ϝτϦ Ϋε ϩά τϨʔε ᶄ࣌ܥྻͷߴप͚ͩ͠ ͯҟৗΛڧௐʢ''5ʣ
lͲ͕͜յΕ͍ͯΔ͔ͷ֬z ϓϩϯϓτ γεςϜࣝ τϨʔεɾϩάൈਮ աڈͷނোύλʔϯ ᶃҟछσʔλͷཁ Λຊͷ࣌ܥྻϕΫ τϧม͢Δ લ ॲཧ ֦ࢄϞσϧ LT1PEͷ୯ҐͷҼՌάϥϑԽ ͱ֬είΞԽ 4FMG"UUFOUJPOͱ("5 <>;IBOH 9JBP FUBM5".0'JOF(SBJOFE3PPU$BVTF"OBMZTJTWJB5PPM"TTJTUFE--."HFOUXJUI.VMUJ .PEBMJUZ0CTFSWBUJPO%BUBJO$MPVE/BUJWF4ZTUFNT BS9JWQSFQSJOUBS9JW <>'JH ͷҰ෦Λ సࡌ 50 4. ࠓޙͷ୳ڀ -
LLM for SRE:今後の可能性 43&ಛԽͷϚϧνϞʔμϧج൫Ϟσϧ ݴޠϞσϧͰ͋Δ͜ͱͷݶք͕ ͋Δ͔Λ୳Δ ෳͷҟͳΔγεςϜ༝དྷͷ σʔλΛ͏ ϝτϦΫεɺϩάɺτϨʔεͷ ࣌ܥྻੑ͕ࣦΘΕΔ
ݱࡏͷ΄ͱΜͲͷख๏͋ΔҰͭͷ γεςϜ༝དྷͷσʔλΛೖྗͱ͢Δ େྔͷσʔληοτΛಘΔ ͜ͱ͕ඇৗʹ͍͕͠ʜ ͢Ͱʹ࣌ܥྻج൫ϞσϧͳͲଘࡏ͢Δ 51 4. ࠓޙͷ୳ڀ -
今後の探究領域 53 4. ࠓޙͷ୳ڀ 2025 2020 ςϨϝτϦʔքͷ4%(T ࢀর͞Εͳ͍σʔλͷॲཧʹίετΛཁ͢Δ "*GPS43& োཧͷ"*.-ద༻
0CTFSWBCJMJUZGPS"*4ZTUFNT (16ΫϥελͷΦϒβʔόϏϦςΟ্ $POUSPMMBCJMJUZ 4-*ʹج੍ͮࣗ͘ޚ 4LJQ 今後の探究領域 -
GPUゼロコード計装の最先端 56 $6%""1* (16υϥΠό ˞zF#1'5VUPSJBM5SBDJOH$6%"(160QFSBUJPOTz IUUQTFVOPNJBEFWUVUPSJBMTDVEBFWFOUT ˞lF#1'5VUPSJBMCZ&YBNQMF.POJUPSJOH(16%SJWFS"DUJWJUZXJUI,FSOFM5SBDFQPJOUTz IUUQTFVOPNJBEFWUVUPSJBMTYQVHQVLFSOFMESJWFS ˞l8SJUFBOE3VOF#1'PO(16XJUICQGUJNFz IUUQTFVOPNJBEFWFOCQGUJNFEPDVNFOUTHQV
VQSPCFT MJCDVEBSUTP (16ͷϝϞϦׂɾసૹɾಉظɺΧʔωϧىಈؔʹϑοΫ USBDFQPJOUT LQSPCFT ϥϯΩϡʔͷਂ͞9*%ΤϥʔΛܭଌՄೳ ˞ ˞ ˞ CQGUJNF ඇಉظ(16෦ͷৄࡉܭଌࠔ Ϣʔβʔͷ1ZUIPOϓϩηεͱͷඥ͚ͮՄೳ 04ΧʔωϧͷൣᙝͳͷͰɺҰൠతͳLQSPCFTͳͲͰܭଌՄೳ ඇಉظͰ(16ج४Ͱͷ࣌ࠁ͕Θ͔Δ (16ͷϫʔϓεϨου୯ҐཻͰͷܭଌ 159ʢ(16தؒදݱʣίʔυF#1'ίʔυΛೖ Ϣʔβʔۭؒ F#1'ϥϯλΠϜ (16෦ 4. ࠓޙͷ୳ڀ -
GPUゼロコード計装の課題 $6%""1* (16υϥΠό (16෦ ਂֶश'8ʢ1ZUIPOʣ ࢄτϨʔγϯάͷؼணʹ ֤ͷΠϕϯτΛ૬ؔͤ͞Δඞཁ͋Γ (16ϝϞϦؒ௨৴ ݪཧతʹܭଌͰ͖Δͣʜ
ίϯςΩετൖΛͲ͏Δ͔ʁʁ ݱঢ়·ͩͦͷΑ͏ͳ πʔϧͳ͍ ݚڀ։ൃͷྖҬ 4. ࠓޙͷ୳ڀ -
59 5. まとめ はじめに 博 士
研究 まとめ モニタリ ングSaaS 開発 今後の 探究 -
まとめ ॳࣄΛͩͱࢥͬͯ͠·ͬͨʢJNQSJOUJOHʣ 2012 2025 2015 2020 ത࢜՝ఔ ͯͳ ࣾ.BDLFSFM .BDLFSFM
͘͞ΒΠϯλʔωοτ 1FSM4/.1 33%UPPM 4%(T 60 5. ·ͱΊ (SBQIJUF3FEJT %ZOBNP%#4 4DBMJOH5FMFNFUSZ 8PSLMPBET --.GPS43& "*εύίϯ Մ੍ޚੑ ݱͷӡ༻ ֶज़ ݱద༻ -
テレメトリー技術のおもしろさ w ܭɿରγεςϜͷछྨଟذʹΘͨΔͷͰେมˠແݶʹ༡Δ w ରγεςϜʢ(16ΫϥελωοτϫʔΫͳͲʣʹ݁ہͦΕͳΓʹৄ͘͠ ͳΒͳ͍ͱ͍͚ͳ͍ w ετϨʔδɿࢄ%#ٕज़͕େมˠແݶʹ༡Δ w ੳɿ౷ܭɾػցֶश͕େมˠແݶʹ༡Δ
Βͳ͍͜ͱ͕ͲΜͲΜ૿͍͑ͯ͘ 61 5. ·ͱΊ Λԣஅ͢Δ͓͠Ζ͍ྖҬ -
技術を探究する仕 方 のひとつ ΞτϓοτͷੵΈॏͶʹΑΓ ࢥࡧΛਂΊ͍ͯ͘ ϙοϓΧϧνϟʔΛͯ͠ ֶज़ͱݺΔͷ43&Λ ԡ্͛͠Δ ҰํͰɺֶज़ͱ͠ ཱͯ֬͢Δͱ໘ന͘ͳ
͘ͳΔͷͰʁ ໃ६ ϙοϓͱֶज़ͷڱؒͰ 62 5. ·ͱΊ ΞϥϯɾέΠͷ l$PNQVUJOHBT 1PQ$VMUVSFz ͷจ຺ -
テレメトリーとは ԕִ ܭث ૹ৴ ੳ ࢹͱੳͷͨΊʹɺγεςϜɺΞϓϦέʔγϣϯɺαʔϏε͔Βԕִɺ ੑೳར༻ʹؔ͢ΔσʔλΛࣗಈͰऩू͠ɺૹ৴͢Δɻ ܭثͷಡΈऔΓΛه͠ɺૹ৴͢Δϓϩηεɻ Ұൠతͳఆٛ ιϑτΣΞจ຺Ͱͷఆٛ
˞ςϨϝτϦʔͷఆٛʹ ੳؚ·Εͳ͍͕ɺιϑτ ΣΞจ຺ͰχΞϦΞϧ λΠϜͷੳ͕ཁٻ͞ΕΔ ͨΊɺςϨϝτϦʔͷܥͷ தʹੳ·ͰؚΊͯΑ͍ ͷͰͳ͍͔ 64 -
先 行 研究① 異常時のみデータを参照しがち [1] Zhang, Lei, et al.
"The bene fi t of hindsight: Tracing Edge-Cases in distributed systems." NSDI, 2022. [1]ͷ Fig.2ΑΓసࡌ Ͳ͏Δͷʁ IUUQTHJUMBCNQJTXTPSHDMEUSBDJOHIJOETJHIU ҟৗɾكͳΠϕϯτݕ࣌ ͷΈτϨʔεΛऩू͍ͨ͠ ΤʔδΣϯτʹۙͷσʔ λΛৗʹอ͓࣋ͯ͘͠ ݕ࣌ʹɺΤʔδΣϯτ্ͷ ݻఆόοϑΝ্ͷσʔλΛ ૹ৴ -
先 行 研究② 冗 長 ログの削除 ୯ҰͷϩάςϯϓϨʔτ͕શετ ϨʔδͷΛΊ͍ͯͨɻ
write(2) ʹeBPFͰϑοΫͯ͠ϗο τεϙοτఆ͞ΕͨΒϩάग़ྗ Λdrop ݮɿ1#ˠ1# ʣ मਖ਼࣌ؒॖɿˠ ݁Ռ Yu, Guangba, et al. "Logreducer: Identify and reduce log hotspots in kernel on the fl y." ICSE, 2023. ʢ8F$IBUʹ1#ɺஹߦʣ ख๏ -
Scaling Telemetry Workloads: 今後の展開例 w औಘසɾϩάϨϕϧɾαϯϓϦϯάͷదԠత੍ޚ w ΤϥʔόδΣοτͷྔ͕ଟ͚Εૈ͘͠ɺগͳ͘ͳΕࡉ͔͘͢Δ w σʔλͷࢀরΛܭ্͓͖ͯ͠ɺཻΛ͘͢Δ͔ɺܭଌ͠ͳ͍
w શମ࠷దԽ w ϝτϦΫεɾϩάɾτϨʔεݸผͰͳ͘ɺίετ૯ֹΛ੍ͱͯ͠ɺ ౷߹͞Ε੍ͨޚػߏ -
69 ֶͱͯ͠ͷSREͷఆٛʢ2024 yuuk1൛ʣ SREͱɺߴසͷมߋΛલఏͱ͢ΔγεςϜΛରʹɺ ɹ1) ར༻ऀࢹͰͷ৴པੑΛܭଌՄೳͳมྔʹؼணͤ͞ɺ ɹ2) ৴པੑΛదͳʹ੍ޚՄೳͱ͢Δ͜ͱʹΑΓɺ ɹ3) ଞͷมྔʢมߋɺඅ༻ͳͲʣΛ·͍͠ʹಋ͘ɺ
͜ͱΛతͱ͢ΔιϑτΣΞֶͷҰͰ͋Δ ࠷దԽͷΑ͏ͳܗͰ ఆ͍ٛͯ͠Δ