A Quantum Cloud Approach to Root Cause Analysis in Microservices = 양자 클라우드를 활용한 마이크로서비스 근본 원인 분석 기법

다국어 초록 (Multilingual Abstract)

Modern microservice architectures are valued for their modular design and scalability. However, detecting and diagnosing anomalies, particularly in complex API response patterns, remains a significant challenge. Effective root cause analysis (RCA) is essential for maintaining system reliability, optimizing performance, and ensuring long-term operational stability. In this paper, we present QROOT, a novel approach that applies quantum computing techniques to enhance RCA in microservices. By leveraging quantum properties such as superposition and interference, we model API response times as quantum wave functions to construct a hierarchical quantum representation of system health. Our method employs a quantum algorithm based on Grover's amplitude amplification to identify faults by aggregating weighted probabilities. We implemented QROOT using IBM's Qiskit framework and evaluated it on the OpenTelemetry Astronomy Shop demo, as well as additional microservice workloads. Experimental results show that QROOT improves detection accuracy for CPU hog and memory exhaustion faults by up to 31% compared to existing RCA methods, and reduces execution time by over 50% relative to TraceAnomaly in GPU environments. To our knowledge, this is the first application of quantum algorithms for enhancing observability in microservice systems.

국문 초록 (Abstract)

클라우드 네이티브 컴퓨팅의 패러다임 전환과 함께 마이크로서비스 아키텍처는 대규모 소프트웨어 시스템의 확장성과 개발 민첩성을 극대화하는 표준 모델로 자리 잡았다. 기존의 모놀리식 구조를 탈피하여 독립적인 서비스들의 집합으로 시스템을 재구성함으로써, 기업은 가속화된 배포 주기와 유연한 리소스 관리를 실현할 수 있게 되었다.

그러나 이러한 서비스의 파편화와 동적인 오케스트레이션 환경은 서비스 간 호출 관계의 복잡도를 기하급수적으로 증가시켰으며, 이는 시스템 모니터링과 가시성 확보에 심각한 난제를 유발하였다. 분산된 환경에서 단일 서비스의 성능 저하나 오류는 네트워크를 통해 전체 시스템으로 겉잡을 수 없이 전파되므로, 단순한 상태 확인을 넘어선 고도화된 모니터링 체계는 시스템의 신뢰성을 보장하기 위한 필수 불가결한 요소가 되었다.

특히 장애 발생 시 수많은 메트릭, 로그, 트레이스 정보 등에서 실제 장애를 유발한 근본 원인 분석은 운영 효율성과 직결되는 핵심 과제이다. 운영 팀은 서비스 수준 목표를 준수하고 평균 복구 시간을 최소화하기 위해, 복잡하게 얽힌 서비스 종속성 그래프 내에서 장애의 발원지를 신속하고 정확하게 국소화해야 한다.

하지만 현재 통용되는 접근 방식들은 여전히 명확한 한계를 보인다. 기존의 통계적 기법은 변수 간의 단순 선형 상관관계에 의존하여, 마이크로서비스 특유의 비선형적이고 간헐적인 인과관계를 규명하는 데 실패하는 경우가 잦다. 또한, 최근 대두된 인공지능 및 딥러닝 기반 모델들 역시 대규모 레이블 데이터 확보의 어려움, 빈번한 워크로드 및 토폴로지 변화에 따른 모델의 일반화 성능 저하, 그리고 결과에 대한 설명 가능성 부족이라는 치명적인 제약을 안고 있다.

본 논문에서는 마이크로서비스 환경에서의 근본 원인 분석 성능을 향상시키기 위해 양자 컴퓨팅 기술을 접목한 새로운 접근 방식인 QROOT를 제안한다. 중첩 및 간섭과 같은 양자적 특성을 활용하여 API 응답 시간을 양자 파동 함수로 모델링하였으며, 이를 통해 시스템 상태에 대한 계층적 양자 표현을 구축하였다.

본 연구의 제안 기법은 마이크로서비스의 API 이상 확률을 통합하여 결함을 식별하기 위해 그로버 진폭 증폭에 기반한 양자 알고리즘을 채택하였다. QROOT는 IBM의 Qiskit 프레임워크를 사용하여 구현되었으며, OpenTelemetry Astronomy Shop 데모 및 추가적인 마이크로서비스 워크로드를 대상으로 성능을 평가하였다.

실험 결과, QROOT는 기존 RCA 기법 대비 CPU 과부하 및 메모리 고갈 결함에 대한 탐지 정확도를 최대 31% 향상시켰으며, GPU 환경에서 TraceAnomaly와 비교하여 실행 시간을 50% 이상 단축시키는 성과를 보였다. 이는 마이크로서비스 시스템의 관측 가능성을 향상시키기 위해 양자 알고리즘을 적용한 최초의 연구 사례이면서 서비스와 종속성이 폭발적으로 증가하는 대규모 분산 환경에서 탐색 복잡도를 획기적으로 낮춘다는 점에서 결정적인 의의를 갖는다. 특히 방대한 데이터 학습에 의존하는 인공지능 모델과 달리 사전 학습 없이도 오라클 검증만으로 편향 없이 탐지할 수 있게 한다. 본 논문은 차세대 컴퓨팅 패러다임인 양자 컴퓨팅을 마이크로서비스 모니터링에 적용하고자 하는 연구자들에게 초기 시스템 설계 및 구현 부분에서 도움이 될 수 있을 것이다.

목차 (Table of Contents)

• Abstract i
• Table of Contents ii
• List of Tables v
• List of Figures vi
• Chapter 1. Introduction 1
• Chapter 2. Background 4
• 2.1. Quantum Mechanics and Basic Notation 4
• 2.1.1. Wave Function 4
• 2.1.2. The Born Rule 4
• 2.1.3. Quantum Circuit and Workflow 5
• 2.2. Observability of MSA 7
• 2.2.1. Properties of MSA 7
• 2.2.2. Challenges of MSA Monitoring 8
• Chapter 3. System Model 8
• 3.1. Our Insights 8
• 3.1.1. API States 9
• 3.1.2. Anomaly Detection 10
• 3.1.3. Quantum Circuit Simulator (Aer) 11
• 3.1.4. Real Quantum Platform (Backends) 11
• 3.2. Data Process 12
• 3.2.1. API Response Time Normalization 12
• 3.2.2. Amplitude Calculation 13
• 3.2.3. Model Parameters 16
• 3.3. Quantum Process 17
• 3.3.1. Marking the Target State 18
• 3.3.2. Amplifying the Target State 19
• 3.3.3. Deciding the Final Root Cause 19
• Chapter 4. Implementation 21
• 4.1. Data Preprocessing and Transformation 21
• 4.1.1. Declaring the Number of APIs 21
• 4.1.2. Fetching Target Data 21
• 4.1.3. Setting Up the Threshold 𝑇𝑡ℎ 21
• 4.1.4. Calculate Initial Amplitudes 22
• 4.2. Quantum Circuit Design 22
• 4.2.1. Creating Initial Circuit 22
• 4.2.2. Defining Oracle Function 23
• 4.2.3. Applying Grover’s Amplitude Amplification 23
• 4.3. Measurement of Qubit Outcomes 25
• 4.3.1. Executing the Quantum Circuit 25
• 4.3.2. Measurement Outcomes and Counts Dictionary 26
• 4.3.3. Result Analysis 26
• Chapter 5. Evaluation 27
• 5.1. Experimental Environment and Workloads 27
• 5.1.1. Experimental Environment 27
• 5.1.2. Microservice Workloads 28
• 5.1.3. Tools for Observability Management 28
• 5.1.4. Tools for Fault injection 28
• 5.2. Evaluation Objectives 29
• 5.3. RCA of Single Fault Injection 30
• 5.3.1. Metrics 30
• 5.3.2. Results 31
• 5.3.3. Analysis 32
• 5.4. RCA of Multiple Faults Injection 33
• 5.5. Effect of Parameter 𝑘 on RCA 35
• 5.6. Effect of Parameter 𝑇𝑡ℎ on RCA 37
• 5.7. Comparison to Conventional Methods 39
• 5.7.1. Datasets 39
• 5.7.2. Key Parameters 40
• 5.7.3. Baselines 41
• 5.7.4. Fault Injection 42
• 5.7.5. Key Metrics 43
• 5.7.6. Experimental Results 44
• 5.8. Performance on IBM Quantum Platform 49
• 5.8.1. Accuracy 49
• 5.8.2. Execution Time 50
• Chapter 6. Conclusion 52
• Reference 53
• 국문초록 57
• Acknowledgement 59