Datasetpublic

kluoms/MultiCloudSRE-Ops

Multi-Cloud SRE Challenge Dataset 多云运维 SRE 故障排查挑战数据集，基于真实的三朵云（阿里云、腾讯云、AWS）电商微服务系统。 Dataset Structure 每条数据包含以下字段：字段类型说明 canary string 题目唯一标识 tags array 分类标签 [layer, sub_category, faults..., difficulty, scope] case object 完整的 case 数据（包含注入脚本、恢复脚本、故障现象等） ideal_answer object 理想答案（包含故障信息、推理过程、验证方法、解决方案等） rubrics array 评分标准（每条含 criterion、points、tags） prompt string 满分答案 prompt（待收集） Example from datasets import load_dataset ds =… See the full description on the dataset page: https://huggingface.co/datasets/kluoms/MultiCloudSRE-Ops.

sourceHugging Facemitupdated 4mo agoView on Hugging Face

0likes47downloads

Dataset Card

Multi-Cloud SRE Challenge Dataset

多云运维 SRE 故障排查挑战数据集，基于真实的三朵云（阿里云、腾讯云、AWS）电商微服务系统。

Dataset Structure

每条数据包含以下字段：

字段	类型	说明
`canary`	string	题目唯一标识
`tags`	array	分类标签 [layer, sub_category, faults..., difficulty, scope]
`case`	object	完整的 case 数据（包含注入脚本、恢复脚本、故障现象等）
`ideal_answer`	object	理想答案（包含故障信息、推理过程、验证方法、解决方案等）
`rubrics`	array	评分标准（每条含 criterion、points、tags）
`prompt`	string	满分答案 prompt（待收集）

Example

python

from datasets import load_dataset

ds = load_dataset("kluoms/MultiCloudSRE-Ops")
row = ds['train'][0]

case = row['case']
ideal = row['ideal_answer']
tags = row['tags']  # ['混沌工程层', '多故障与干扰', 'IO延迟', ..., 'hard', 'multi-cloud']
rubrics = row['rubrics']

print(f"{row['canary']}: {case['title']}")
print(f"Layer: {tags['layer']}, Difficulty: {tags['difficulty']}")

Fault Types Covered

1.幽灵超时 - IOChaos + NetworkChaos + PodChaos 组合故障
2.配置漂移 - 环境变量篡改导致服务不稳定
3.DNS 幻觉 - DNSChaos 解析故障
4.扇出风暴 - 多重下游故障叠加
5.资源耗尽 - StressChaos + OOMKill + CrashLoopBackOff
6.跨云配置错误 - 跨云环境变量配置错误
7.资源限制误配 - CPU/Memory limit 过低
8.网络抖动+配置误改 - 混合故障
9.短时故障 - 时间窗口故障（已自愈+延迟注入）
10.综合故障 - 真实故障 + 烟雾弹配置

Dataset Statistics

Total: 25 challenges

By Layer

By Sub-category

Sub-category	Count
容器与工作负载	6
多故障与干扰	4
配置与密钥	3
链路追踪与RUM	3
网络与DNS	2
级联故障	2
题面与证据	1
探针与健康检查	1
多云一致性	1
数据库	1
缓存与Redis	1

By Difficulty

Top Faults

Fault	Count
网络丢包	8
环境变量写错	8
网络延迟	5
IO延迟	4
Pod被杀死	4
OOMKill	3
RUM数据异常	3
指标缺失	3
DNS解析故障	2
CPU压力	2

Usage

python

from datasets import load_dataset

ds = load_dataset("your-username/sre-challenge-dataset")

# 查看第一条数据
print(ds['train'][0]['prompt'])
print(ds['train'][0]['ideal_answer'])

How to Add New Cases

bash

# 添加新题目（自动生成 parquet）
python add_case.py --id new-case-id --title "标题" --prompt "故障现象" --case case.json --ideal ideal.json

# 手动重新生成 parquet（如果直接编辑了 data.jsonl）
python gen_parquet.py

# 推送到 HuggingFace（自动生成 parquet 再推送）
python push_to_hf.py --repo kluoms/MultiCloudSRE-Ops

Note: HF Dataset Viewer 无法自动转换深度嵌套 JSON（本数据集嵌套5层），必须预构建 data.parquet。add_case.py 和 push_to_hf.py 会自动调用 gen_parquet.py。

Citation

如果使用了本数据集，请引用：

bibtex

@dataset{sre_challenge_2025,
  title={Multi-Cloud SRE Challenge Dataset},
  year={2025},
  publisher={HuggingFace}
}