基于时序上下文注意力与交互式卷积的波动云环境性能异常检测模型CICFormer研究

本文提出一种基于时序上下文注意力（TCAM）、压缩激励（SE）及交互式卷积块（ICB）的无监督深度模型CICFormer，用于云环境监控指标的高效异常检测。该模型通过融合多尺度时序依赖建模与动态通道特征增强，在五大公开数据集上实现平均F1分数提升4.26%，显著优于现有18种基线方法。

　　

Highlight

本研究提出CICFormer——一种基于时序上下文注意力机制与交互式卷积变换器的高效无监督性能异常检测模型，专为波动性云环境设计。该模型集成三大核心模块：时序上下文感知机制（TCAM）通过时间维度池化与通道注意力增强关键时间点感知能力；压缩激励（SE）模块动态调整通道权重以提升特征判别力；交互式卷积块（ICB）通过多尺度卷积融合局部与全局特征，精准捕捉周期性波动与突发异常模式。

Conclusion

实时异常检测对保障云计算系统可靠性至关重要。针对云数据的高维稀疏性、动态非平稳性及多模式异常共存特性，CICFormer的TCAM模块有效捕获跨时间步与多维度协同依赖关系，SE模块强化关键监控指标（如CPU峰值、磁盘I/O异常）的敏感性，ICB模块则通过多尺度卷积增强对细粒度异常模式的识别能力。在五大公开数据集上的实验表明，该模型在检测精度与实时性方面均显著优于现有方法，为云环境监控提供了高效可靠的解决方案。