A memory leak in an application deployed on the cloud can affect the availability and reliability of the application. Therefore, identifying and ultimately resolve it quickly is highly important. However, in the production environment running on the cloud, memory leak detection is a challenge without the knowledge of the application or its internal object allocation details. This paper addresses this challenge of detection of memory leaks in cloud-based infrastructure without having any internal knowledge by introducing two novel machine learning-based algorithms: Linear Backward Regression (LBR) and Precog and, their two variants: Linear Backward Regression with Change Points Detection (LBRCPD) and Precog with Maximum Filteration (PrecogMF). These algorithms only use one metric i.e the system's memory utilization on which the application is deployed for detection of a memory leak. The developed algorithm's accuracy was tested on 60 virtual machines manually labeled memory utilization data and it was found that the proposed PrecogMF algorithm achieves the highest accuracy score of 85%. The same algorithm also achieves this by decreasing the overall compute time by 80% when compared to LBR's compute time. The paper also presents the different memory leak patterns found in the various memory leak applications and are further classified into different classes based on their visual representation.

中文翻译：

---

基于云的基础设施中的内存泄漏检测算法

部署在云上的应用程序中的内存泄漏会影响应用程序的可用性和可靠性。因此，快速识别并最终解决它非常重要。然而，在云上运行的生产环境中，如果不了解应用程序或其内部对象分配细节，内存泄漏检测是一项挑战。本文通过介绍两种新颖的基于机器学习的算法来解决在基于云的基础设施中检测内存泄漏的挑战：线性向后回归 (LBR) 和 Precog 以及它们的两个变体：带变化点的线性向后回归检测 (LBRCPD) 和具有最大过滤的 Precog (PrecogMF)。这些算法只使用一个指标，即系统' s 部署应用程序以检测内存泄漏的内存利用率。所开发算法的准确性在 60 台虚拟机上进行了手动标记内存利用率数据的测试，发现所提出的 PrecogMF 算法达到了 85% 的最高准确度分数。与 LBR 的计算时间相比，相同的算法还通过将整体计算时间减少 80% 来实现这一点。本文还介绍了在各种内存泄漏应用程序中发现的不同内存泄漏模式，并根据它们的视觉表示进一步分为不同的类别。在 60 台虚拟机上测试了人工标记的内存利用率数据，发现所提出的 PrecogMF 算法达到了 85% 的最高准确度分数。与 LBR 的计算时间相比，相同的算法还通过将整体计算时间减少 80% 来实现这一点。本文还介绍了在各种内存泄漏应用程序中发现的不同内存泄漏模式，并根据它们的视觉表示进一步分为不同的类别。在 60 台虚拟机上测试了人工标记的内存利用率数据，发现所提出的 PrecogMF 算法达到了 85% 的最高准确度分数。与 LBR 的计算时间相比，相同的算法还通过将整体计算时间减少 80% 来实现这一点。本文还介绍了在各种内存泄漏应用程序中发现的不同内存泄漏模式，并根据它们的视觉表示进一步分为不同的类别。