ADmM:针对指标不完整的微服务系统的异常检测
《ACM Transactions on the Web》:ADmM: Anomaly Detection for Microservice Systems with Incomplete Metrics
【字体:
大
中
小
】
时间:2026年04月22日
来源:ACM Transactions on the Web
编辑推荐:
摘要
要查看此由AI生成的摘要,您必须具有高级访问权限。了解更多信息请登录。
**摘要**
互联网的快速发展导致了计算、存储、网络和服务资源规模的指数级增长。传统的单体架构越来越难以管理这些复杂性。相比之下,微服务架构因其部署和可扩展性的内在灵活性而成为主流解决方案
摘要
要查看此由AI生成的摘要,您必须具有高级访问权限。了解更多信息请登录。
**摘要**
互联网的快速发展导致了计算、存储、网络和服务资源规模的指数级增长。传统的单体架构越来越难以管理这些复杂性。相比之下,微服务架构因其部署和可扩展性的内在灵活性而成为主流解决方案。为了确保系统可靠性,现代微服务架构严重依赖可观测性数据,包括日志、指标和跟踪信息。然而,网络不稳定、服务实例重启和系统过载等问题经常导致指标数据间歇性丢失。这些缺失的数据点阻碍了对系统健康状况的全面评估,严重威胁到了系统的稳定性和可靠性。为了解决上述问题,我们提出了一种异常检测模型ADmM,该模型整合了日志、指标和跟踪信息。ADmM首先从多模态输入中提取模板级和语义级特征,然后应用多尺度自动编码器模块来填补缺失的指标。在异常检测方面,该模型将微服务依赖关系表示为有向无环图,并利用图神经网络从正常系统行为中学习生成模式。通过测量观测值与重构值之间的偏差,ADmM为异常分配异常分数以识别异常。在三个开源基准测试上进行的实验表明,ADmM在多个异常检测指标上的表现优于现有方法。值得注意的是,在指标缺失40%的情况下,其F1分数分别提高了5.77%、5.48%和2.16%。
**AI生成摘要(实验性)**
此摘要是使用自动化工具生成的,并非由文章作者编写或审核。它旨在帮助发现、评估相关性,并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要,后者仍然是论文的官方总结。完整文章是权威版本。点击此处了解更多信息。点击此处评论此摘要的准确性、清晰度和实用性。您的反馈将有助于改进未来的版本。要查看此由AI生成的通俗语言摘要,您必须具有高级访问权限。
**1 引言**
互联网的快速发展加速了计算、存储、网络、服务和数据的积累。传统的单体架构越来越难以管理这种复杂性[32]。提供独立部署和可扩展性的微服务架构已成为构建现代软件应用的首选。然而,随着微服务数量的快速增长,网络延迟、版本不兼容性和负载均衡失败等问题变得更加突出。这些问题不仅会中断服务通信,还可能引发级联故障,导致性能下降和故障诊断难度增加[1]。微服务复杂性和相互依赖性的增加使得仅凭直觉难以理解系统行为。故障可能在服务之间无声传播,性能下降可能直到影响最终用户才被发现。为了有效管理此类系统,操作人员需要全面的可观测性数据,以及时详细地了解每个服务的内部状态。
可观测性通常通过指标、日志和跟踪信息来实现,它是检测、诊断和缓解微服务系统中故障的基础。指标提供了系统健康的实时定量快照,如CPU使用率、内存消耗和网络延迟。日志捕获详细的系统事件,为调试和根本原因分析提供上下文。跟踪信息记录了服务之间的请求流,揭示了服务间的依赖关系和调用模式。通过整合这些互补的数据源,操作人员可以实现全面监控和有效的异常检测。
尽管可观测性很重要,但在实际微服务系统中获取完整的数据却具有挑战性。特别是对于指标数据,收集过程经常受到以下因素的影响:(i) 网络不稳定,导致延迟或数据包丢失;(ii) 频繁的服务实例重启,中断正在进行的数据收集;(iii) 分布式存储故障,导致写入延迟或丢失;(iv) 监控组件的配置错误。这些挑战通常会导致监控数据不完整,特别是对于连续性指标。数据不完整会妨碍故障检测和恢复,最终影响系统的可靠性和可维护性。实际案例说明了这一点:在2023年的一次生产事件中,GitLab的可观测性堆栈(Prometheus + Thanos)由于Thanos规则进程中的内存饱和而遭受了数小时的指标数据丢失。同样,2023年的Cloudflare故障报告指出,内部可观测性信号的丢失阻碍了快速异常检测和故障定位。这些案例表明,指标丢失不仅是一个技术问题,还会直接增加微服务操作的平均恢复时间(MTTR)。
**现有的微服务系统异常检测方法**
现有的微服务系统异常检测方法包括基于指标、日志或跟踪的方法[5, 6, 8, 10, 18, 22, 26, 29, 41, 46, 56],以及最近结合这三种数据源的多模态方法[7, 24, 25, 37, 52, 55]。虽然在数据完整的情况下这些方法有效,但在数据不完整的情况下,它们的性能会显著下降。另一方面,一些基于插补的异常检测方法[13, 53]虽然旨在解决数据缺失问题,但并未针对微服务系统进行优化。因此,它们经常忽略服务间的依赖关系和跨模态相关性等独特特征,从而导致插补结果失真和异常检测不准确。
为了解决这些问题,我们提出了针对指标数据缺失的异常检测模型ADmM。ADmM首先从日志、指标和跟踪信息中提取特定于模态的信息,使用日志模板和语义表示在粗粒度和细粒度上细化日志特征,同时规范化指标和跟踪信息以提高特征质量。然后,它使用多尺度卷积神经网络(CNN)融合多模态特征,实现全面的系统状态表示。为了处理缺失的指标数据,ADmM结合了基于Transformer的自动编码器进行插补,确保在数据不完整的情况下仍能保持鲁棒性。此外,ADmM应用图神经网络(GNN)在服务间传递信息,结合上游和下游组件的上下文依赖关系。这通过利用系统范围内的交互增强了异常检测能力。最后,生成模型学习系统的正常模式并估计观测状态的可能性。然后根据与学习到的分布的偏差分配异常分数(AS),从而实现精确的异常检测。需要澄清的是,我们的工作重点是在数据不完整的情况下进行异常检测,而不是识别可观测性数据是否缺失。检测缺失或损坏的可观测性信号本身可能需要专门的监控或数据质量评估机制,这超出了本文的范围。我们假设系统已经知道指标数据的缺失,并研究在数据不完整的情况下如何保持异常检测的有效性。
**ADmM的主要贡献如下:**
(1) 我们设计了一个整合微服务各种可观测性来源的指标插补模型。通过利用不同模态之间的多尺度依赖关系,该模型捕捉系统行为的高层次模式和详细细节。然后,它使用具有时间感知表示的编码器-解码器架构来重构缺失的指标数据。
(2) 我们提出了一种名为ADmM的新异常检测框架,用于处理指标数据不完整的情况。ADmM通过建模演变的微服务依赖关系来学习正常样本的结构和行为模式,然后进行联合学习以重构预期的观测值,并使用观测值与重构值之间的差异作为计算异常分数的基础。
(3) 我们在三个开源基准测试上进行了广泛的实验,结果表明ADmM在指标数据不完整的情况下表现出色,证实了其鲁棒性和有效性。此外,ADmM的源代码在GitHub上公开可用。
**2 背景和动机**
**2.1 微服务系统中处理不完整指标**
在实际微服务系统中,监控数据通常经过三个阶段。微服务首先生成各种可观测性信号,包括日志、指标和跟踪信息。这些数据随后由Prometheus、Filebeat和Jaeger等监控平台收集和存储。最后,异常检测应用程序访问收集的数据进行分析和建模。
在实际监控场景中,由于指标收集延迟、网络不稳定、采样间隔不规则以及容器和Pod的动态行为(如迁移和重启),数据丢失经常发生。这些缺失值通常会在监控层创建可观测性盲点,而不是反映实际的服务故障。例如,某个时间点缺少CPU指标并不一定意味着CPU故障或直接影响用户请求的成功率。然而,数据缺失对微服务系统的可观测性完整性构成了挑战,其中指标数据丢失是最常见的问题。这显著影响了异常检测结果的准确性。目前,文献中没有统一的标准来分类微服务系统中的缺失数据。基于工程实践、先前的研究[36, 43]以及对几个常用微服务基准数据集(Social Network (SN)、Train-Ticket (TT)和Generic AIOps Atlas (GAIA)的分析[7, 8, 9],我们确定了两种常见的指标数据不完整形式:块状不完整和点状不完整。图1展示了从SN基准测试中的两个不同微服务实例收集到的不完整指标数据,其中缺失的部分用红色标出。这种缺失会损害系统数据的完整性,使得准确检测异常和确定其根本原因变得更加困难。
**2.2 异常在微服务系统中的多尺度影响**
微服务系统中的异常通常具有多尺度特征,这意味着它们对可观测性数据的影响在不同时间尺度上表现不同。如图2所示,我们以基准系统(Sock-shop10)中的数据库连接问题为例,展示了这些问题如何在不同尺度上传播。具体来说,我们分析了14:32到14:33之间收集的日志、指标和跟踪数据的一分钟窗口。对于UserService,P99延迟表示响应延迟的第99百分位数,而CPU使用率反映了其当前利用率。我们关注UserService、OrderService和DatabaseService,因为它们最能捕捉连接问题的演变。
**图2. 异常从轻微波动到严重故障的多尺度传播**
当socket请求率接近并超过操作系统容量时,系统首先表现出轻微的波动。这些波动在图2(b)的蓝色日志条目和图2(c)–2(e)的蓝色框中可见,显示了响应延迟和相关指标的轻微抖动。如果这些问题得不到解决,系统将承受越来越大的压力,导致连接错误数量增加。这些错误在同一图表中的红色条目中突出显示。重要的是,连接问题通常会逐渐出现,从局部干扰发展到系统范围的问题。随着持续过载,系统最终可能会在多个尺度上经历故障爆发,例如套接字错误激增或广泛的连接中断。如果不受控制,这可能导致所有套接字连接终止和数据库完全失效,使系统进入关键故障状态。因此,捕捉和建模这些多尺度变化是至关重要的。这不仅能够准确重建不完整的可观测数据,还能提高检测精度并增强整个系统的可靠性。
3 ADmM
3.1 总体框架
3.1.1 总体框架
图3展示了ADmM的完整架构,详细说明了内部模块、学习目标以及离线训练和在线检测期间不同组件之间的交互。离线训练阶段包括四个主要组成部分:(P1) 特征提取、(P2) 不完整性插补、(P3) 观测重建和(P4) 异常检测。
P1. 特征提取涉及处理系统的日志、指标和跟踪数据,以捕捉它们的独特特征。这一步将原始数据简化为多维特征向量,代表系统的状态,为后续分析提供基础。
P2. 在不完整性插补阶段,ADmM结合了多尺度CNN来融合多模态特征。随后,我们提取正常状态下收集的多模态数据之间的关系,并使用基于Transformer的AE模型填充不完整的指标。
P3. 在观测重建阶段,ADmM利用GNN来捕捉微服务系统中实例之间的依赖关系。我们应用优化过程来指导数据重建,通过测量观测值和重建值之间的差异。
P4. 在检测阶段,ADmM通过将重建值与观测数据进行比较来计算异常状态(AS)。损失函数旨在最小化它们之间的差距,使模型能够有效区分正常样本和异常样本。
在在线检测阶段,模型接收来自监控堆栈不同组件的三种类型的可观测数据。日志通过Filebeat收集,指标通过Prometheus收集,跟踪数据通过Jaeger获取。这些异构数据流首先被预处理并组织成固定长度的时间窗口,以保持不同模态之间的时间关系。然后将窗口化的数据输入ADmM模型,在其中执行多模态特征提取和融合,以捕捉服务内部行为和服务之间的依赖关系。最后,模型为每个时间窗口生成一个AS,用于自动判断微服务环境是处于正常状态还是异常状态,从而实现实时检测并对潜在故障做出快速响应。
3.1.2 运行示例
为了直观地了解ADmM如何处理异构观测数据和不完整指标,我们在图4中提供了一个简化的运行示例。
图4. 一个简化的运行示例,说明了ADmM的工作流程。
考虑一个时间窗口,在该窗口中,微服务系统产生了三种类型的可观测数据:日志、跟踪数据和指标。日志流包含警告和错误消息,表明存在异常行为,如响应延迟增加或服务调用失败。跟踪数据记录了调用信息,包括跟踪标识符、父子关系和时间戳。同时,指标流报告了资源使用统计信息,其中一些指标值(例如CPU和内存使用率)由于监控故障或临时收集问题而缺失。
在特征提取阶段(P1),原始日志、跟踪数据和指标被转换为固定长度的特征表示,分别表示为Xlogs、Xtraces、Xco-metric和Xin-metric。这些特定于模态的特征随后被连接起来,形成一个统一的多模态观测向量Xt,在其中缺失的指标条目被明确表示为未定义的值。
在不完整性插补阶段(P2),ADmM利用跨模态相关性和时间依赖性来推断缺失条目的合理值,得到插补表示Xtimp。例如,基于同一时间窗口内观察到的相关日志模式和跟踪行为来恢复缺失的指标值。
接下来,在观测重建阶段(P3),通过基于图的重建进一步细化插补表示,生成一个重建的观测Xtre,该表示在正常条件下描述了预期的系统行为。
最后,在异常检测阶段(P4),ADmM通过比较原始观测Xt、其插补对应物Xtim及其重建Xtre来计算AS。损失函数旨在最小化它们之间的差距,使模型能够有效区分正常样本和异常样本。
图4中显示的所有数值都是虚构的,仅用于说明数据流和中间表示,而不是反映模型的确切输出。
以下部分将详细解释ADmM中的每个组件。
3.2 多模态特征提取
首先,我们提取针对每种可观测数据独特特征的定制特征。
3.2.1 日志的特征提取
该过程包括三个步骤:
(a) 模板特征提取。在微服务系统中,异常事件可能导致日志模板发生显著变化,从而产生大量异常日志。
将整个日志流划分为W个连续的时间窗口,索引为w∈{1,2,…,W}。对于每个时间窗口w,我们收集该窗口内观察到的所有原始日志条目,并将这组条目表示为Loriginal(w)={l1(w),l2(w),…,lNw(w)},其中Nw是窗口w中的日志条目数量。
然后我们使用预训练的模板模型Drain [17]来提取每个日志条目的日志模板:Ltemplate(w,i)=Drain(li(w)),(1)
其中Ltemplate(w,i)是时间窗口w中第i个日志条目的模板。
每个日志模板通过嵌入函数直接映射到一个密集向量表示:Lid(w,i)=g(Ltemplate(w,i)),(2)
其中g(?)结合了模板索引和嵌入查找,为每个日志模板生成一个did维的向量表示。
(b) 语义特征提取。虽然模板捕获了结构变化,但它们忽略了日志中的语义信息,例如指示故障原因的关键令牌。为了对这种细粒度信息进行建模,我们在历史日志上训练了一个FastText [12]嵌入模型,并使用TF-IDF加权来突出重要单词。
对于时间窗口w中的第i个日志条目,假设它包含nw,i个令牌{o1(w,i),…,onw,i(w,i)}。令牌o的词频(TF)为:TF(w,i)(o)=count(w,i)(o)/N(w,i),(3)
其中count(w,i)(o)是窗口w中第i个日志条目中令牌o的出现次数,N(w,i)是该日志条目中的总令牌数。
令牌o的逆文档频率(IDF)为:IDF(o)=log?(ndoc/no)+1,(4)
其中ndoc是整个训练语料库中的日志条目总数,no是包含令牌o的日志条目数量。
然后计算TF-IDF值:tfidf(w,i)(o)=TF(w,i)(o)?IDF(o)。(5)
每个令牌o都有一个预训练的嵌入向量e(o)∈Rdsen。时间窗口w中第i个日志条目的语义嵌入是其令牌嵌入的加权和:Lsen(w,i)=∑j=1nw,itfidf(w,i)(oj(w,i))?e(oj(w,i)),(6)
其中dsen是语义嵌入的维度。这种公式突出了语义上重要的单词,同时降低了常见或无信息令牌的权重。
(c) 连接。最后,对于每个日志条目,我们将其模板级和语义级表示连接起来:Xlog(w,i)=[Lid(w,i);Lsen(w,i)],(7)
其中[?;?]表示向量连接,得到一个维度为did+dsen的日志嵌入。
对于每个时间窗口w,我们将所有Nw个日志的嵌入聚合到一个矩阵中:Xlog(w)=[Xlog(w,1);Xlog(w,2);…;Xlog(w,Nw)]∈RNw×(did+dsen)。(8)
这种层次结构保留了每个窗口内日志的细粒度排序以及窗口间的时间顺序,为下游异常检测模型提供了全面的输入。
3.2.2 指标的特征提取
时间窗口内聚合的指标(如KPI和资源利用率)被用作特征表示。每个时间窗口w内完整指标(co-metric)的表示可以表示为:Xco-metric(w)=[x1(w)x2(w)?xMw(w)]∈RMw×dmetric,(9)
其中Mw是窗口w中的指标条目数量,dmetric是每个指标条目的特征维度。
对于不完整的指标(in-metric)数据Xin-metric(w),我们定义了一个掩码矩阵M来指示哪些指标数据点缺失。这个掩码矩阵M与指标数据Xco-metric的形状相同,其中缺失的值用0表示,完整的数据用1表示:Mij={1,如果位置(i,j)的指标数据完整;0,如果位置(i,j)的指标数据缺失。 (10)
3.2.3 跟踪数据的特征提取
微服务系统中的每个跟踪由一系列跨度组成,每个跨度代表一个带有延迟和其他元数据(例如服务名称和时间戳)的单个服务调用。
为了统一它们的表示,我们为窗口w∈{1,2,…,W}构建了一个跟踪特征矩阵:Xtrace(w)=[s1,1(w)s1,2(w)?s1,mmax(w)s2,1(w)s2,2(w)?s2,mmax(w)????sTw,1(w)sTw,2(w)?sTw,mmax(w)],(11)
其中mmax=max(kmk是窗口w中的最大跟踪长度,长度小于mmax的跟踪用占位符值(例如0)填充,以确保维度一致。
3.3 不完整指标的插补
如2.2节所述,微服务系统中的异常通常表现出多尺度特征。我们使用不同尺度的卷积核从多模态数据中提取特征。大尺度核用于捕获变化缓慢的信号,如压力变化,而小尺度核更适合快速波动的信号[4, 9]。接下来,多模态特征被投影到一个低维空间,不完整数据使用编码器-解码器架构进行重建。如图5所示,该模块包括三个核心组件:多尺度卷积特征提取器、基于Transformer的编码器和基于LSTM的解码器。每个组件的详细描述如下。
图5. 具有多尺度卷积和基于Transformer的编码器的指标插补模块。
3.3.1 特征融合
对于每种模态m(日志、co-metric、跟踪和in-metric),在时间窗口W内,我们使用多尺度2D卷积提取输入数据Xm的特征,然后进行批量归一化和ReLU激活:Hm,convi=Conv2d(Xm),(12) Hm,bni=BatchNorm2d(Hm,convi),(13) Hm,relui=ReLU(Hm,bni),(14)
其中i表示卷积层索引,Conv2d表示在不同尺度上应用的卷积操作,BatchNorm2d表示2D批量归一化,ReLU是激活函数。所有卷积层的输出随后被连接起来,生成一个综合特征表示,捕获所有尺度上的信息:Hm,concat=[Hm,relui,Hm,relui,...,Hm,relui]。(15)
最后,所有模态的特征被连接起来形成多模态表示:Hmultimodal=[Hlog,concat,Hco?metric,concat,Htrace,concat,Hin?metric,concat]。(16)
3.3.2 插补编码器
微服务的可观测数据通常表现出长期和深度依赖性。例如,微服务的CPU使用率可能受到几秒甚至几分钟前其他微服务突发工作负载的影响。此外,多模态数据可能包含复杂模式,如周期性和趋势,这些模式与不同模态相关,如图6所示。这些相关性是计算不完整指标的重要线索。因此,我们使用基于Transformer的编码器来有效建模日志、co-metric和跟踪数据之间的依赖性,以插补不完整的指标。多模态特征表示Hmultimodal作为输入传递给Transformer。
图6. 使用日志、跟踪和指标等模态填充不完整指标数据的方法。
为了将时间位置信息嵌入到Transformer架构中并解决其固有的序列上下文缺失问题,我们应用线性投影并添加可学习的位置编码:H0=HmultimodalWe+P,(17)
其中We是可学习的投影矩阵,P表示位置编码。每个Transformer编码器层包括一个多头自注意力(MHSA)机制和一个前馈网络(FFN):Q=HlWQ,K=HlWK,V=HlWV,(18) A=Softmax(QKTdk)V,(19)
其中Q,K,V分别表示查询、键和值表示,它们是通过将输入特征Hl线性投影到可学习矩阵WQ,WK,WV得到的。注意力矩阵A捕获时间步之间的成对依赖性,dk是键维度。MHSA的输出经过层归一化并通过FFN:Hl,attn=LayerNorm(A+Hl?1),(20) Hl,ffn=LayerNorm(ReLU(HlW1+b1)W2+b2+Hl),(21)
其中Hl?1表示前一层的输出,W1和W2是FFN的可学习权重矩阵,b1和b2是相应的偏置项。最后一个(即第Lth)基于Transformer的编码器的输出表示为Htrans。
3.3.3 插补解码器
解码器使用多层感知器(MLP)将融合表示Htrans转换为低维潜在表示Z1:Z1=σ(WeHtrans+be),(22)
其中We和be分别是MLP的权重矩阵和偏置向量,σ表示激活函数。
然后,解码器使用LSTM网络重建不完整的指标数据:ht=flstm(ht?1,Z1),(23) x^t=σ(Woht+bo),(24) X^iim=[x^1,x^2,…,x^W]。(25)
其中Wo和bo是输出权重和偏置,x^t是时间步t处的预测指标值,X^iim是第i个样本的长度为W的重建指标序列。
我们引入了一种掩码机制来细化优化目标,以确保模型仅优化不完整的指标并避免错误传播。损失函数定义为:L1=∑iMi?‖Xiin?metric?X^iim‖2,(26)其中Mi表示度量数据中缺失值的索引集合,X^iim表示缺失度量的重构值,Xiin-metric表示真实值。通过使用Adam优化器[21]最小化L1,我们可以获得更接近完整可观测性的插补数据。插补不完整度量的过程如算法1.3.4所示。在插补不完整度量后,我们进一步实施了异常检测过程。首先,GNN捕获服务之间的依赖关系,构建系统的整体状态-模式表示。这提供了系统健康状况的全面视图。接下来,生成模型从正常样本的潜在空间中提取特征。给定一个观测样本,模型评估其被重构为正常样本的可能性。由于异常通常表现出较大的重构误差,我们使用这个误差作为异常得分(AS)。检测过程遵循以下步骤:
3.4.1 图编码器
编码器由三个部分组成:
(a) 图构建:当微服务调用远程程序时,它们通常通过HTTP或其他通信协议传输元数据。跟踪数据捕获服务交互,从而构建一个有源点和目标点之间的有向图G。在这个图中,节点V代表服务,边E代表它们之间的调用依赖关系。
(b) 节点特征提取:然后,基于GNN模型传播微服务节点的特征:hi(k)=MLP(k)((1+e(k))?hi(k?1)+∑j∈N(i)hj(k?1)),(27)其中hi(k)表示第k层的节点i的特征,N(i)是节点i的邻居集合,e(k)是第k层的一个可学习参数,MLP指的是多层感知器。求和∑j∈N(i)hj(k?1)收集来自前一层的邻居的特征。此操作通过将每个节点的属性与其邻居整合来捕获图的拓扑结构。此更新规则确保GNN在学习过程中整合了结构信息和节点特征。
(c) 状态-模式表示:通过多次迭代后连接所有节点的特征来构建整个图的全面表示。多次迭代的目的是在不同层次上捕获节点依赖关系:较少的迭代强调局部模式,而更多的迭代捕获全局和精细的表示。最终的图表示定义如下:HG=Concat(({hi(r)|i∈G})|r∈{1, 2, 3, ..., R}),(28)其中hn(r)表示第r次迭代后节点n的特征。编码器使用全连接层将融合表示HG转换为低维潜在表示Z2:Z2=σ(WeHG+be)。(29)此过程有效地整合了微服务系统内的局部依赖关系和全局关系,从而得到更全面的表示。
3.4.2 MLP解码器
然后,我们使用全连接层进行解码,输出特征X^ire可以表示为:X^ire=σ(Z2W+b),(30)其中Z2是编码器的输出,X^ire是解码器预测的重构特征。对于节点特征的重建,我们使用均方误差(MSE)损失函数:L2=1|Ns|∑i=1Ns‖X^ire?Xi‖2,(31)其中Ns表示样本数量,X^ire表示节点i生成的特征,Xi是观测样本。优化器(例如Adam)被用来最小化损失,并更新模型参数以重建正常样本。训练过程旨在学习用于异常检测任务的通用潜在表示。
3.5 异常检测
3.5.1 模型训练
插补模块和重建模块专注于两个不同的任务。如果这两个模块的潜在表示空间过于相似,任务可能会相互干扰,从而降低整体模型性能。通过最大化这些表示之间的距离,鼓励插补模块专注于解决局部数据缺失问题,而重建模块则专注于捕获正常样本的全局结构,从而提高两个任务的有效性。我们使用L1范数来量化Z1和Z2之间的距离,定义为:DZ=‖Z1?Z2‖1。(32)异常检测的最终训练目标可以表示为:minL=λL1+(1?λ)L2+βDZ,(33)其中λ和β是超参数,β<0,且|β|?1。为了防止训练期间潜在向量距离的发散,β通常设置为?1×10?8 [13]。
3.5.2 带有异常得分的异常检测
在插补和重建过程之后,模型能够有效地重建正常样本,但在重建异常样本时遇到困难。利用这种差异,我们计算重构误差作为异常得分(AS)来检测系统异常:AS(X)=λL1(X)+(1?λ)L2(X)+βDZ(X)。(34)AS表示使用生成模型将当前数据重构为正常数据的概率。在基于重构的异常检测模型中,正常样本的AS预期比异常样本低。
ADmM是一种无监督异常检测方法,通常使用阈值来识别异常。与具有固定阈值的传统方法不同,我们根据数据分布设置一个动态阈值。阈值计算如下:τ=μ+c?σ,(35)其中μ和σ分别表示均值和标准差。常数c根据所需的置信水平选择,通常设置为3(对应于99.74%)。然后使用AS来评估系统的健康状态:AD(X)={正常,AS(X)?τ;异常,AS(X)>τ,(36)其中AD(X)表示最终结果。此外,算法2详细介绍了异常检测的完整过程。
4 实验
为了评估我们提出方法的性能,我们在三个开源基准测试上进行了广泛的实验,以回答以下研究问题:
—RQ1:ADmM在不完整度量的情况下有多有效?
—RQ2:不同模态和组件对异常检测的贡献是什么?
—RQ3:不同的缺失率如何影响检测准确性?
—RQ4:ADmM的参数如何影响其性能?
—RQ5:ADmM在训练和测试成本方面的效率如何?
4.1 设置
4.1.1 数据集
我们在三个广泛使用的异常检测数据集上评估了ADmM:SN、TT和GAIA。每个数据集都包含了丰富的现实世界异常场景。表2总结了数据集统计信息,下面提供了详细描述:
表2
数据集 | 社交网络 | 训练-票务 | GAIA
| 模态数量 | 3 | 3 | 3 |
| 异常数量 | 639 | 991 | 620 |
| 异常率 | 4.46% | 2.22% | 6.32% |
| 度量维度 | 7 | 7 | 10,817 |
| 度量长度 | 1,412 | 6,462 | 18,824 |
| 日志条目数量 | 40,184 | 80,942 | 48,938 |
| 跨度数量 | 38,400 | 17,172 | 12,960 |
数据集特征:
—SN是一个基于微服务的基准系统,模拟SN功能,服务通过REST和gRPC协议进行通信。系统由21个微服务组成,这些微服务通过Thrift [14]进行交互,其中14个微服务直接参与业务逻辑处理。我们使用Chaos Mesh11向选定的微服务注入各种类型的故障,以模拟系统级故障,包括CPU饱和、网络延迟和数据包丢失等问题。这产生了641.5 MB的可观测性数据,包含2,862条跟踪记录,每条跟踪记录平均有6-7个跨度。
—TT是一个基于微服务的预订系统,涵盖用户认证、票务查询、订单管理和支付等核心功能。它由42个微服务组成,这些微服务通过gRPC协议进行通信,其中27个实例直接参与业务处理。与SN数据集类似,我们在Kubernetes集群中部署了这些服务,并使用Chaos Mesh注入故障,产生了603.9 MB的可观测性数据。数据集包含5,486条跟踪记录,每条记录平均有七个跨度。
—GAIA是一个为AIOps(IT运营的人工智能)设计的综合数据集,支持异常检测、日志分析和故障定位等任务。该数据集包含了来自MicroSS微服务系统的两周连续收集的多模态数据,模拟了基于Web的二维码登录过程。它涉及13个微服务,分布在五个主机上。GAIA模拟了微服务环境中的各种现实世界异常场景,如登录失败和内存异常。这最终产生了4.62 GB的可观测性数据,包含2,592条跟踪记录,每条记录平均有五个跨度。
我们实验中使用的数据集包括几种常见的微服务异常,如CPU过载、网络延迟和网络数据包丢失。这些异常类型反映了现实世界微服务环境中常见的性能和通信问题。为了模拟不完整的度量,我们对每个数据集应用了有针对性的掩码策略,根据块状和点状模式生成缺失数据,并保持两种模式之间缺失度量的数量平衡。掩码策略均匀应用于所有异常类型,以确保评估涵盖广泛的异常行为。
为了评估重建模型的准确性,每个数据集被分为训练集Dtrain和测试集Dtest。测试集包含在时间上晚于训练集的数据,并且在训练期间从未使用,确保时间分离D=Dtrain∪Dtest,Dtrain∩Dtest=?。在我们的实验中,80%的数据用于训练,剩余的20%用于测试。
4.1.2 评估指标
我们使用精确度(Precision)、召回率(Recall)和F1分数(F1-score)指标来评估异常检测性能。这些指标定义如下:
Pre=TPTP+FP,(37)
Rec=TPTP+FN,(38)
F1=2×Pre×Rec/(Pre+Rec),(39)
其中TP、FP和FN分别代表真正例、假正例和假负例。精确度(Pre)量化了正面预测的准确性,而召回率(Rec)衡量了模型识别实际异常的能力。F1分数平衡了Pre和Rec,提供了全面的评估。
此外,为了评估插补准确性对异常检测结果的影响,我们使用MSE作为验证指标:MSE=1/N∑i=1N(xi?x^i)2,(40)其中xi表示第i个缺失条目的真实值,x^i表示插补值,N是缺失条目的总数。较低的MSE表示更准确的插补。
4.1.3 对比方法
为了验证所提出方法的性能,我们将ADmM与十种先进的基线方法进行了比较,包括三种基于单模态的方法和七种基于多模态的方法。一些方法依赖于度量特征,对于不完整度量的部分,使用了fill作为插补策略。下面简要介绍了这些比较方法:
基于单模态的方法:
—SwissLog [26]是一种基于日志的方法,通过构建标识符关系的图来关联来自不同组件的日志。然后使用基于字典的日志解析来检测微服务系统中的异常。
—TraceAnomaly [29]是一种基于跟踪的方法。它构建服务级别的跟踪向量(STV),将微服务调用路径和响应时间编码为特征向量。然后使用深度贝叶斯网络进行异常检测。
—OmniAnomaly [41]是一种基于度量的方法,使用随机循环神经网络进行异常检测。它学习时间序列数据的稳健表示来模拟正常行为,并通过重构输入数据和评估重构的可能性来检测异常。
基于多模态的方法:
—DAM [7]是一种无监督异常检测方法,结合了日志和度量数据。它利用LSTM模型捕获度量和日志之间的相互依赖性和特征表示。通过使用动态阈值,DAM有效地检测异常,而不依赖于标记数据。
—Eadro [24]是一个端到端的框架,将异常检测与根本原因定位集成在一个统一的模型中。它使用三种类型的数据源:跟踪、日志和性能指标,并结合图注意力网络(GAT)来模拟服务内部行为和服务之间的依赖关系。
—DeepTraLog [52]是一种基于深度学习的微服务异常检测方法,它利用统一的图表示来捕获跟踪中的并行调用结构以及嵌入的日志事件。生成模型计算当前系统状态的AS。
—AnoFusion [55]是一种无监督异常检测方法。它结合度量、跟踪和日志数据来构建异构图,然后用于预测未来数据模式。然后使用预测值和观测值之间的偏差作为故障分数来检测系统中的异常。
—MADMM [42]是一种基于多模态数据的微服务异常检测方法。它首先利用图卷积网络(GCN)和GAT来捕获度量和日志的空间和上下文关系。然后应用多粒度对比学习来提取稳健的跨模态特征,以实现有效的异常检测。
—MM-SVM [3]是一种基于SVM的异常检测方法,具有多模态性,它找到一个超平面来分离正样本和负样本。在异常检测任务中,当正样本和负样本不平衡时特别有效。
—MM-iForest [28]是一种基于iForest的异常检测方法,具有多模态性,通过隔离样本来检测异常。它通常应用于连续数据,如时间序列。
此外,由于关于微服务系统不完整数据的异常检测的研究很少,我们选择了工业领域的两种检测方法:
—KDOTS [53]是一种具有不完整可观测数据的异常检测算法。它由一个教师模型和一个学生模型组成。教师模型通过估计来重建缺失数据。学生模型用于根据从教师模型转移的知识来识别异常。——UU-Net [13] 提出了一种无监督的多模态异常检测方法,用于处理液体火箭发动机系统中某些模态数据缺失的情况。该模型在由多个自动编码器和一个跳跃连接自动编码器组成的统一框架中处理模态融合和异常检测。为了进一步突出ADmM与基线方法的新颖性,我们在多个维度进行了全面比较,包括可观测性、核心算法、缺失数据鲁棒性、监督性、检测任务和适用领域,如表3所示。
表3. 方法 | 可观测性 | 缺失数据鲁棒性 | 核心算法 | 图基依赖建模 | 监督性 | 检测任务 | 应用领域
| --- | --- | --- | --- | --- | --- | --- |
| TraceAnomaly | Medium | Glow’s flow + VAE | No | Unsupervised | AD | Microservice systems | SwissLog | Logs | Low |
|BERT+Bi-LSTM | No | Unsupervised | AD | Microservice systems | DyCauseMetrics | Low | Causal inference | No | Unsupervised | AD+RCA | Microservice systems | DAM | Metric, Logs | Low |
| LSTM | No | Unsupervised | AD | Microservice systems | DeepTralog | Logs, Traces | Low | Gated GNN | Yes | Unsupervised | AD | Microservice systems | AnoFusion | Metrics, Logs, and Traces | Medium |
| Graph transformer | Yes | Unsupervised | AD | Microservice systems | Eadro | Metrics, Logs, and Traces | Medium | Casual convolution + GAT | Yes | Supervised | AD+RCA | Microservice systems | MADMM | Metrics, Logs, and Traces | Medium |
| KDOTS | High | Teacher + Student model | No | Unsupervised | AD | Liquid Rocket Engine | UU-Net | High | AutoEncoder | No | Unsupervised | AD | Liquid Rocket Engine | ADmMM | Metrics, Logs, and Traces | High |
| Multi-scale CNN+GNN | Yes | Unsupervised | AD | Microservice systems |
基线方法(AD:异常检测,RCA:根本原因分析)的比较
单模态方法,如TraceAnomaly、SwissLog和DyCause,由于表示能力有限,难以捕捉微服务系统内的复杂交互。随着系统复杂性的增加,许多研究转向整合多个数据源。AnoFusion、Eadro和MADMM等方法结合了指标、日志和轨迹,提供了更全面的系统行为表示。在监督性方面,Eadro是唯一完全监督的基线方法,但其对标记数据的依赖引入了较大的标记成本,限制了在大规模生产环境中的可扩展性和实际部署。相比之下,像MADMM和AnoFusion这样的无监督方法不需要标记数据,便于部署。在鲁棒性和缺失数据方面,多模态基线方法通常假设输入是完整的,因此对缺失指标或不规则采样敏感——这些情况在现实世界的微服务系统中很常见。相比之下,ADmM引入了一种新颖的能力,作为第一个专门设计来解决微服务系统中指标数据不完整问题的方法。通过整合多模态数据并明确建模服务间依赖关系,ADmM即使在数据不完整的情况下也能保持高检测准确性和鲁棒性,从而填补了当前微服务环境研究中的一个关键空白。
4.1.4 实验实现
所有实验都在运行Ubuntu 20.4.4的主机上进行,配备了Intel(R) Xeon(R) Silver 4114 CPU(2.20 GHz)和32 GB RAM。我们使用Python 3.7.4、PyTorch 1.5.1和CUDA 10.2实现了ADmM。模型使用Adam优化器,初始学习率为0.001。学习率每个学习周期衰减0.9,初始批量大小设置为8。此外,最终结果是通过10次独立运行得出的,每次运行都涉及模型参数的不同初始化。
4.2 总体性能比较(RQ1)
表4和表5分别总结了具有完整数据和不完整数据的各种方法的性能。实验结果得出以下观察和分析:
表4. 方法 | 模态 | SNTT | GAIAM | TPA | PreRecF1 | PreRecF1 | PreRecF1 | TraceAnomaly |
| --- | --- | --- | --- | --- | --- | --- |
| ? | 0.6694 | 0.6606 | 0.6650 | 0.6749 | 0.6805 | 0.6777 | 0.7082 | 0.7370 |
| ? | 0.6141 | 0.6785 | 0.6447 | 0.5615 | 0.5829 | 0.5720 | 0.7179 | 0.7906 | 0.7525 |
| ? | 0.8725 | 0.9428 | 0.9063 | 0.7723 | 0.7890 | 0.7806 | 0.8493 | 0.8834 | 0.8660 |
| ? | ? | 0.8676 | 0.8978 | 0.8824 | 0.8179 | 0.8305 | 0.8242 | 0.8648 | 0.8634 |
| ? | ? | 0.7448 | 0.7489 | 0.7468 | 0.6897 | 0.6750 | 0.6823 | 0.8159 | 0.7766 | 0.7958 |
| ? | ? | ? | 0.9848 | 0.9904 | 0.9876 | 0.9496 | 0.9447 | 0.9632 | 0.9704 | 0.9668 |
| ? | ? | ? | 0.9738 | 0.9802 | 0.9770 | 0.9194 | 0.9372 | 0.9282 | 0.9421 | 0.9596 | 0.9571 |
| ? | ? | ? | 0.9254 | 0.9347 | 0.9300 | 0.9058 | 0.9145 | 0.9101 | 0.9284 | 0.9315 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 | 0.7538 | 0.7480 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 | 0.6926 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 | 0.7863 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 | 0.8663 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 | 0.9795 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 | 0.9177 | 0.9682 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 | 0.9036 | 0.9206 | 0.9554 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 | 0.7538 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 | 0.6926 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 | 0.7863 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 | 0.9177 | 0.9682 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 | 0.9036 | 0.9206 | 0.9554 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 | 0.7538 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 | 0.7863 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 | 0.9177 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 | 0.9036 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 | 0.7538 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 | 0.7863 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 | 0.9177 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 | 0.9036 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 | 0.9036 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 | 0.6735 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 | 0.7805 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 | 0.9465 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
| ? | ? | ? | 0.9654 | 0.9574 | 0.9614 | 0.9052 | 0.9245 | 0.9147 |
| ? | ? | ? | 0.9540 | 0.9416 | 0.9478 | 0.8997 | 0.9076 |
| ? | ? | ? | 0.6320 | 0.6751 | 0.6528 | 0.6062 | 0.5870 | 0.5964 |
| ? | ? | ? | 0.5782 | 0.5883 | 0.5832 | 0.5663 | 0.5858 | 0.7128 |
| ? | ? | ? | 0.8166 | 0.8065 | 0.8115 | 0.7967 | 0.8015 |
| ? | ? | ? | 0.9228 | 0.9292 | 0.9260 | 0.9038 | 0.8960 | 0.8999 | 0.8886 |
| ? | ? | ? | 0.9935 | 0.9928 | 0.9931 | 0.9394 | 0.9672 | 0.9531 |
4.3 消融研究(RQ2)
在本节中,我们首先通过用普通的MLP替换多尺度Transformer和GNN来评估插补和重建模块的贡献,如表4和表5所示,消融实验表明插补和重建模块在提高异常检测性能方面起着重要作用。多尺度CNN和Transformer能够捕捉不同时间尺度上的序列和上下文模式,使模型能够从数据中提取细粒度和粗粒度的时间依赖性。同时,图网络为建模微服务系统的状态提供了全面和结构化的视角。接下来,我们评估了不同模态在插补中的贡献。图9展示了这些模态在插补缺失指标中的作用。图中的红色条形表示指标2不完整的时期,在t1和t2检测到系统异常。具体来说,在t1时在指标1、指标3和日志1中观察到异常,而在t2时在指标1、指标3和轨迹1中发现了异常。通过利用历史数据中的相似异常模式,多尺度CNN和Transformer用其他模态(如日志和轨迹)来插补缺失的指标。这种能力显著缓解了指标数据不完整情况下异常检测的挑战。图9中的散点图比较了AnoFusion(上)和ADmM(下)的异常检测结果,其中红色点代表异常样本,蓝色点代表正常样本。下排明显显示出ADmM的优越性能。
此外,我们还分析了不同模态对异常检测的贡献。如图10所示,日志数据的贡献最小,其移除对三个数据集的影响最小。这是因为日志主要提供粗粒度的节点级信息。相比之下,轨迹和指标数据由于包含系统依赖关系的边缘级特征,因此起着更重要的作用。它们的缺失可能导致系统交互的表示不完整,从而降低检测性能。指标数据的移除极大地降低了系统的异常检测能力,因为指标提供了关于各个服务节点的精确时间和定量信息,这对于评估节点健康状况和识别异常至关重要。
图10. 多模态在异常检测中的贡献。
图11还注意到,在所有数据源完整的情况下,像Eadro这样的监督方法表现出色,三个数据集的平均F1分数达到了95.41%。然而,它们的性能严重依赖于轨迹、日志和KPI的完整收集。在指标数据缺失40%的情况下,Eadro的平均F1分数下降到74.2%,而ADmM保持了更高的平均F1分数80.85%,显示出其在不可观测性下的鲁棒性。
为了更好地展示ADmM的性能,我们可视化了AS的分布,如图7和图8所示。特别是在指标数据完整的情况下,ADmM生成的AS能够有效区分正常数据和异常数据,在所有数据集中都表现出良好的性能。在指标数据缺失40%的情况下,我们使用ADmM的插补模块来填充缺失值。然而,与指标数据完整时的分数分布相比,分数分布仍然有明显的变化。这是因为一些缺失的数据点实际上包含异常,导致正常数据和异常数据之间的区分变得模糊。
图7. 指标数据完整时的AS分布。
图8. 指标数据缺失40%时的AS分布。
4.4 不同缺失率下的性能(RQ3)
在现实世界中,指标数据经常存在不同程度的不完整性。图11展示了所有方法在不同缺失率(从0.05到0.4)下的性能。在比较方法中,我们选择了三种代表性的方法:TraceAnomaly、AnoFusion和UU-Net,分别代表基于单模态的方法、基于多模态的方法和基于不完整性的方法。根据表4,这些方法在每个类别中都表现相对较好。
图11. 不同缺失率下的检测结果。
图11显示了随着缺失率的增加,整体趋势。当缺失率为0.05时,所有方法的性能仅略有下降。然而,一旦缺失率超过0.1,严重依赖完整数据进行异常检测的传统方法开始表现不佳。随着缺失率进一步上升到0.4,TraceAnomaly和AnoFusion的检测性能显著下降,暴露了传统方法在处理不完整性方面的局限性。相比之下,包含插补的方法在这种情况下表现出更好的性能。例如,UU-Net和AnoFusion的比较显示,在指标数据完整的情况下,UU-Net的表现略逊于AnoFusion。然而,当缺失率达到40%时,UU-Net在所有三个数据集上的表现都优于AnoFusion。此外,ADmM在指标数据不完整的情况下始终优于所有其他方法。
表6提供了ADmM在不同缺失率下的平均性能和方差。ADmM在所有三个数据集上都取得了最佳的平均性能。特别是,F1分数分别提高了4.93%、5.58%和1.15%,优于第二好的方法。通过有效利用可用数据来近似缺失部分,ADmM展示了强大的鲁棒性和实际效果。
表6. 数据集 | 方法 | 精确度 | 召回率 | F1分数 | 平均值 | 方差 | 平均值 | 方差 |
| --- | --- | --- | --- | --- | --- | --- |
| SNUU-Net | 0.8567 | 0.0033 | 0.8468 | 0.0048 | 0.8516 | 0.0039 |
| TraceAnomaly | 0.6694 | 0.0000 | 0.6606 | 0.0000 | 0.6650 | 0.0000 |
| AnoFusion | 0.8525 | 0.0101 | 0.8547 | 0.0076 | 0.8533 | 0.0086 |
| ADmM | 0.9105 | 0.0050 | 0.9295 | 0.0038 | 0.9198 | 0.0043 | +5.38% | +7.48% | +6.65% |
| UU-Net | 0.8172 | 0.0050 | 0.8262 | 0.0024 | 0.8210 | 0.0032 |
| TraceAnomaly | 0.6749 | 0.0000 | 0.6805 | 0.0000 | 0.6777 | 0.0000 |
| AnoFusion | 0.7982 | 0.0126 | 0.8318 | 0.0095 | 0.8143 | 0.0109 |
| ADmM | 0.8419 | 0.0059 | 0.8964 | 0.0030 | 0.8678 | +2.47% | +6.46% | +4.68% |
| GAIA | UU-Net | 0.8074 | 0.0039 | 0.8406 | 0.0018 | 0.8228 | 0.0022 |
| TraceAnomaly | 0.7082 | 0.0000 | 0.7370 | 0.0000 | 0.7223 | 0.0000 |
| AnoFusion | 0.8366 | 0.0104 | 0.8825 | 0.0091 | 0.8574 | 0.0087 |
| ADmM | 0.8981 | 0.0023 | 0.8937 | 0.0044 | 0.8956 | +6.15% | +1.12% | +3.82% |
| 平均值在不同缺失率下的性能 | --- | --- | --- | --- | --- |
| 精确度 | 召回率 | F1分数 | 平均值 | 方差 | 平均值 | 方差 |
为了评估指标重建的质量,我们在三个具有不同缺失比率(0.1–0.4)的基准数据集上进行了实验。重建性能使用MSE来衡量,结果如表7所示。随着缺失比率的增加,MSE也增加,反映了准确插补缺失值的难度增大。然而,ADmM在0.1–0.4的缺失比率范围内始终优于均值填充方法,证明了其插补的有效性。在更高的缺失比率下,重建不确定性显著增加,可能导致异常检测性能下降。我们建议,当缺失数据的比例极高时,实践者应首先检查监控基础设施本身(例如,监控代理故障或网络不稳定),而不仅仅是依赖异常检测算法。表7显示了不同数据集在缺失率和模型性能方面的比较。
**参数分析(RQ4)**
ADmM的性能受到令牌大小和超参数的影响,这些内容将在本节中讨论。在我们的设置中,时间窗口由令牌大小和采样间隔决定。令牌大小指定了每个输入序列中的数据点数量,将其乘以采样间隔定义了时间覆盖范围。较大的令牌对应较长的时间窗口,而采样间隔控制了观察的时间粒度。如图12所示,增加令牌大小可以通过使模型捕捉特征之间的更复杂的时间依赖性来增强异常检测能力。然而,较大的令牌大小通过扩展输入维度增加了模型的复杂性,这提高了过拟合的风险,尤其是在数据集不足以支持高维表示时。在这种情况下,模型可能会过度拟合训练数据中的噪声,从而降低其泛化能力。默认采样间隔为5秒时,SN和GAIA数据集的最佳令牌大小为16,对应的时间窗口为80秒;对于TT数据集,最佳令牌大小为20,对应的时间窗口为100秒。
此外,λ决定了最终损失函数中插补损失(L1)和重建损失L2的相对重要性。当λ接近1时,L1占主导地位,促使模型优先最小化插补的重建误差。这迫使模型专注于处理不完整的数据。相反,当λ接近0时,L2占优势,引导模型优先重建观测数据而不是插补不完整的值。图13展示了λ变化如何影响异常检测性能。在TT数据集上,λ的最佳值为0.6;而在SN和GAIA数据集上,λ=0.4时可以获得最佳结果。
损失函数中的另一个关键超参数是β,它控制潜在向量Z1和Z2之间的距离。适当校准的β可以防止插补和重建模型陷入相似的特征表示中,确保异常仍然可区分。如图14所示,当β=-1时,损失函数过度优先考虑DZ,破坏了异常检测目标,导致性能下降。相反,当β设置为-0.01时,ADmM在三个数据集上都取得了最佳性能。
进一步分析表明,当β>0时,强制Z1和Z2之间的相似性会显著削弱异常检测能力,因为模型难以区分正常和异常模式。即使当β=0时,DZ对损失函数没有直接影响,检测性能仍然不理想。这突显了结合DZ以增强特征区分能力的必要性。
为了更好地说明DZ的影响,我们使用t-SNE [23]来可视化潜在空间。图15显示,在10%的缺失率下,结合DZ使模型能够比仅使用Z1和Z2更有效地分离正常和异常样本。然而,当缺失率增加到40%时,潜在空间的区分度降低。值得注意的是,ADmM保持了比AnoFusion更强的分离能力,显示出其在高缺失率下的鲁棒性。这些结果证实,最大化DZ通过鼓励不同的潜在表示来增强异常检测能力。
**效率分析(RQ5)**
异常检测过程包括两个阶段:训练和测试。在训练阶段,高维数据增加了特征空间的复杂性,导致更高的计算成本和更长的训练时间。在测试期间,维度的增加也提高了计算负载,导致推理时间变慢。如表2所示,虽然SN和TT数据集具有相同的数据维度,但它们的数据量不同。相比之下,GAIA数据集具有更大的数据量和更高的维度,使得特征提取和模型初始化更加复杂。这种增加导致训练和测试时间变长,如图16所示。此外,不同方法的性能在数据集之间也有所不同。具体来说,涉及日志处理的方法(如Swisslog、DeepTralog、AnoFusion和ADmM)消耗更多时间。另外,由于KDOTS需要训练教师模型和学生模型,因此与直接训练单个模型以生成高质量输出相比,它需要额外的时间。
**对有效性的威胁**
为了评估研究的可信度和适用性,我们讨论了内部有效性、外部有效性和构建有效性[44],因为它们代表了潜在威胁的不同方面。内部有效性主要关注检测到的异常是否由系统故障引起,而不是外部混淆因素。内部有效性的一个关键威胁是模型过拟合:即使使用准备充分的数据集,过于复杂的重建模型也可能过拟合训练数据,无法捕捉到有意义的异常模式。为了应对这一点,我们在训练过程中采用了图正则化和提前停止等策略,这些策略有助于提高泛化能力并增强模型的可靠性。
外部有效性评估研究结果是否可以在不同的环境中推广,确保模型在不同微服务系统中的可靠性和适应性。一个泛化良好的模型必须能够有效处理不同的系统条件和时间变化。外部有效性的一个关键威胁是数据集的代表性:在多样性有限的数据集上训练的模型可能难以在未见过的环境中检测异常,从而限制了其在现实世界场景中的适用性。为了解决这个问题,我们在三个不同的数据集上评估了模型:两个标准的微服务基准数据集和一个包含多种故障场景的数据集。
构建有效性关注实验设计是否准确衡量了研究目标,确保变量和方法反映了研究问题。在这项研究中,构建有效性的第一个威胁是评估指标的选择。我们使用多个指标(包括精确度、召回率和F1分数)进行评估,以提供对异常检测性能的全面评估并减少评估偏差。为了确保评估的真实性并避免时间泄漏,每个数据集都按照20-80的比例被划分为训练集和测试集。这保留了时间顺序,确保模型在训练期后的数据上进行评估。
**局限性**
尽管ADmM表现出强大的性能,但它受到几个因素的影响:
(i) 依赖于数据相关性:ADmM的性能依赖于微服务系统中指标、日志和跟踪之间的相关性。然而,在实际场景中,这种相关性可能并不总是稳定的。如果这些模式之间的关系较弱或不一致,模型可能难以学习有效的特征表示,从而导致性能下降。
(ii) 简化的实验假设:我们实验中的缺失指标是通过屏蔽特定指标值人为生成的,测试数据被假设遵循与训练数据相同的分布。虽然这些设置简化了评估,但它们并没有完全捕捉到生产环境的复杂性。在现实世界系统中,由于网络不稳定、容器重启和自适应采样策略,缺失数据模式可能非常不规则。此外,微服务环境本质上是动态的,新的服务、工作负载和故障模式可能会随时间出现,导致训练期间未看到的模式。
此外,ADmM还表现出以下局限性:
(i) 在部分模式可用性下的适用性:ADmM旨在利用多模态可观测性数据,然而现实世界的微服务系统通常由于成本、隐私或基础设施限制而在部分可观测性下运行。根据第4.3节中的模式消融结果,即使只有一部分模式可用,ADmM仍然适用,但检测性能会有所下降。特别是,单独的指标提供了强有力的基线信号,因为它们提供了评估服务级别健康状况所需的时间和定量指标。指标和跟踪的联合可用性通过结合服务间依赖性信息进一步提高了性能,而日志数据的缺失影响相对有限。尽管ADmM没有针对多个模式同时不完整或间歇性不可用的场景进行优化,但这些观察结果为资源受限环境中的可观测性优先级提供了实际指导。具体来说,指标是最重要的模式,用于维持合理的检测基线;跟踪通过捕获服务依赖性提供了高价值的补充信号;而日志在收集或保留开销过高时可以视为可选。
**相关工作**
根据可观测性和处理缺失数据的能力,异常检测方法可以分为以下几类:这些时间跨度捕捉了关键细节,例如操作的开始和结束时间以及它们与其他时间跨度的关系。Nedelkoski等人[33]提出了一种基于跟踪数据的异常检测方法,该方法利用深度学习模型。通过GRU模型学习正常系统行为的分布,并使用VAE模型设置偏差阈值来标记异常。他们通过整合额外信息(如从跟踪数据中提取的文本标签和响应时间)进一步改进了这种方法[34]。TraceGra[6]采取了不同的方法,将跟踪数据转换为图结构,然后使用GNN进行分析以获得拓扑洞察。此外,LSTM网络捕获跟踪数据中的时间模式。类似地,TraceVAE[45]引入了一种双变量图变分自编码器,以联合编码微服务跟踪的结构和时间特征,有效识别异常路径。基于上述思想,TraceAnomaly[29]引入了服务跟踪向量(STV),将调用路径和响应时间封装为特征向量。然后,一个深度贝叶斯网络学习这些向量的正常模式并计算异常评分(AS)以检测偏差。TraceModel[5]使用基于VAE的方法通过SDG分析请求调用链,捕获图中的关系以检测异常。
虽然基于跟踪的技术对于实时可观测性和主动事件管理至关重要,但它们主要捕获了成功路由的请求。因此,由未路由或丢失的请求引起的故障可能会被忽略。这一限制突显了需要多模态方法来整合指标、日志和跟踪数据,以确保系统的全面可靠性。
5.3 基于指标的方法
指标提供了关于系统健康状况和运营效率的重要洞察,可以大致分为服务级指标(例如吞吐量、请求率和错误率)和系统级指标(例如CPU利用率、内存可用性和磁盘I/O)。通常,基于指标的方法使用统计方法、机器学习算法或深度学习技术来分析时间序列数据。这些方法随后识别与预期模式的偏差,以有效检测异常。DLA[40]通过分析系统指标之间的相关性并动态估计单个指标的阈值来检测异常。然而,它依赖于用户交易计数,这限制了其适用性。PDiagnose[19]将基于规则的方法与基于p值的AS阈值相结合,提供了一种更符合统计原理的替代方案。它不是手动定义静态阈值,而是根据偏差的统计显著性来评估异常。与这些基于阈值的方法不同,Gulenko等人[16]提出了一个跨层监控框架,应用Birch聚类来检测异常。通过聚类相似的系统状态并识别异常值,这种方法消除了手动预定义阈值的需求。然而,这样的聚类方法通常假设特定的数据分布,这在现实世界系统的动态和异构环境中可能不成立。
除了统计和基于规则的方法之外,还探索了生成方法来捕获复杂的系统行为。OmniAnomaly[41]结合了VAE和GRU来学习系统指标中的时间依赖性。通过建模正常行为模式,它根据重建概率的偏差来检测异常。类似地,Donut[46]通过在训练期间排除异常样本来改进异常检测,确保模型仅专注于学习正常系统状态。然后根据重建错误来标记异常。Bagel[27]通过结合条件变分自编码器(CVAE)进一步细化了这种方法,其中时间依赖性作为条件输入,增强了模型捕获上下文模式的能力。同时,TopoMAD[18]通过结合图GNN、LSTM和VAE来利用系统拓扑和时间信息,对复杂的时空依赖性进行建模。
尽管基于跟踪的技术对于实时可观测性和主动事件管理至关重要,但它们主要捕获了成功路由的请求。因此,由未路由或丢失的请求引起的故障可能会被忽略。这一限制突显了需要多模态方法来整合指标、日志和跟踪数据,以确保系统的全面可靠性。
5.4 基于多模态的方法
最近在异常检测方面的进展利用多模态数据集成来提高准确性和鲁棒性。具体来说,结合指标、日志和跟踪数据可以提供更全面的系统行为视图,并在高度分布的环境中减少误报。
一些方法整合了两种模态。例如,DeepTralog[52]通过将日志数据嵌入跟踪数据中构建跟踪事件图(TEG),并使用深度学习模型(GGNN结合SVDD)来学习潜在表示。该模型定义了一个超球形边界来区分正常行为和异常。然而,DeepTralog主要关注服务交互,无法有效检测实例级别的异常。为了解决这一限制,ServiceAnomaly[37]引入了上下文传播图(CPG),该图模型了六个关键性能指标之间的关系:服务执行时间、请求大小、响应大小、服务排队时间、延迟和吞吐量。将此图与在正常条件下构建的参考模型进行比较,可以识别出表明异常的偏差。其他方法结合日志和指标来提取更丰富的上下文信息。例如,SCWarn[56]和DAM[7]使用Drain模板匹配将日志解析为数值数据,并在将其输入多模态LSTM之前对其进行标准化。这种工作流程使模型能够学习日志和指标之间的交互。然而,基于模板的处理可能会丢失原始日志中嵌入的关键信息,限制了模型捕获细粒度异常的能力。Hades[25]应用FastText和Transformer模型来提取日志中的语义和序列依赖性以克服这一限制。然后,它使用具有因果卷积网络的层次编码器来建模指标表示。然而,像SCWarn和DAM一样,Hades没有明确建模服务依赖性,这对于理解分布式系统中的异常传播至关重要。
利用所有三种模态——指标、跟踪数据和日志的方法提供了更全面的系统健康视图,但也对特征提取提出了更高的要求。AnoFusion[55]将这些模态序列化以构建异构图结构。它使用图变换网络(GTN)和图注意力网络(GAT)来细化图,突出关键特征。最后,它根据预测值和观测值之间的偏差计算异常评分(AS)。Triple[39]也构建了异构图,但以跟踪数据为基础。它应用Drain方法进行日志模板匹配,并将每个服务实例的平均响应时间纳入跟踪节点特征中。这种集成改进了系统性能的表示。Triple随后使用基于时空图卷积网络(STGCN)的DeepSVDD模型来更有效地捕获时空依赖性。MSTGAD[20]通过用基于Transformer的架构替换传统的GNN,进一步推进了多模态集成。通过利用注意力机制,它提取了重要特征,并显著提高了时间序列建模性能。Eadro[24]系统地统一了多源数据(跟踪数据、日志和KPI),为集成建模提供了多维表示,展示了服务内部行为和服务之间的依赖性。通过采用多任务学习范式,它实现了端到端的联合训练和推理,用于异常检测和根本原因定位。虽然Eadro通过信息互补性和任务协同作用有效提高了故障排除的准确性,但它也显著增加了模型的复杂性和计算开销。
5.5 在数据不完整的情况下进行异常检测
在现实世界的微服务环境中,数据收集工具经常遇到资源限制或环境波动,导致指标数据不完整。这种数据丢失可能会掩盖关键的系统行为,降低异常检测的准确性。近年来,针对缺失数据场景下的异常检测受到了越来越多的关注[15, 30, 47, 53]。早期的研究主要集中在建模数据的缺失模式上。例如,Ghahramani等人[15]提出了一种基于期望最大化(EM)和概率建模的方法,为缺失数据下的异常检测提供了理论框架。后来,研究转向了基于深度学习的方法。Yang等人[47]引入了缺失率建模和数据重建技术,以在数据不完整时提高异常检测性能。Zhou等人[49]提出了TAME,它使用图结构建模和表示学习来在缺失数据下改进异常检测。Zhang等人[53]引入了KDOTS,它在时间场景中应用动态核建模来提高对不规则采样和缺失值的鲁棒性。同时,Feng等人[13]解决了共存缺失数据和噪声的更一般问题。他们提出了一个深度生成模型,以无监督的方式联合执行数据插补和异常检测。然而,大多数现有方法依赖于单源时间数据的假设。它们尚未建模微服务系统的多源异构性和复杂依赖性,因此在现实世界的运营环境中缺乏系统的解决方案。
这些方法尚未针对微服务系统进行优化,特别是在建模三种可观测性数据之间的相关性以及微服务之间的依赖关系方面。虽然之前的微服务异常检测研究经常考虑这种特征建模,但它们尚未解决缺失指标的场景。ADmM通过提供一种专门用于插补缺失指标和在微服务系统中进行异常检测的策略,填补了这一空白。
6 结论与讨论
为了应对微服务系统中指标不完整的挑战,我们提出了ADmM,这是一种多模态异常检测模型。该模型首先从多模态输入中提取模板级和语义级特征。接下来,我们应用基于多尺度的AE模块来插补不完整的指标。对于异常检测,ADmM将跟踪数据映射到图结构中,并使用GNN来学习正常样本的生成模式。通过比较观测值和估计值之间的偏差,模型分配异常评分(AS)来检测异常。在三个真实世界多模态数据集上的广泛实验表明,ADmM的性能优于现有最先进的方法。
未来的工作将集中在几个方向上,以进一步提高ADmM的鲁棒性和适用性。首先,我们计划加强ADmM在不完整和噪声多模态观测下的鲁棒性。尽管ADmM能够有效处理部分缺失的指标,但现实世界的微服务系统通常表现出不完整的日志和跟踪数据,以及由短暂的工作负载峰值、测量错误或不稳定的监控代理引入的噪声。在当前研究中,这种短暂噪声没有在评估的数据集中明确标记或与异常分开,并在训练期间隐含地视为正常系统行为的一部分。因此,解决这些问题不仅需要准确的模内插补,还需要利用跨模态推理来利用服务之间的时间对齐和因果依赖性。为了进一步提高对噪声的鲁棒性,我们计划探索噪声感知的表示学习和鲁棒优化方法,这些方法在训练期间引入结构化和随机噪声,并结合一致性正则化来促进在损坏或波动输入下学习到的表示的稳定性。其次,当前的实验假设了一个静态的SDG。适应动态拓扑是一个重大挑战,因为节点和边的配置会发生变化。我们计划探索增量图学习和持续适应方法,使ADmM能够在微服务实例和依赖性演变时保持准确的异常检测。这包括离线定期重新训练,用新观察到的数据更新模型,以及在线增量学习,不断适应演变的服务和工作负载。
最后,除了服务依赖性之外,还存在其他拓扑关系,例如在同一物理服务器或共享网络段上的共位。未来的工作可以探索构建超图来捕获这些更丰富的关系,提供更全面的微服务系统架构表示。