《Algorithms》：LTFP: Lead-Time-Aware Failure Prediction Based on Service GNNs for AIOps
编辑推荐：
云原生系统中的故障可能破坏服务可用性和系统可靠性，而其早期症状往往微弱且分散在指标、日志、追踪和相互依赖的服务中。现有方法通常将异构遥测数据展平或对监控变量进行建模，而不保留服务身份。研究人员提出LTFP，一种提前感知的故障预测框架，其图节点表示服务。LTFP
云原生系统中的故障可能破坏服务可用性和系统可靠性，而其早期症状往往微弱且分散在指标、日志、追踪和相互依赖的服务中。现有方法通常将异构遥测数据展平或对监控变量进行建模，而不保留服务身份。研究人员提出LTFP，一种提前感知的故障预测框架，其图节点表示服务。LTFP使用特定模态的时序编码器（temporal encoder）和门控融合（gated fusion）形成服务状态，并使用边权重感知的图注意力网络（Graph Attention Network, GAT）将这些状态在由已知依赖关系和训练拟合相关性构建的稀疏混合图上传播。联合的图级和节点级头（head）预测在配置的未来窗口内是否会发生故障，并对可能负责的服务进行排序。研究人员在来自三个代表性云原生系统的七个子集上评估LTFP。与代表性源代码基线在管道级别进行比较，每种方法保留其原始学习目标和输入配置。在600秒预测窗口设定下，LTFP的宏平均窗口级精确率、召回率和F1分别为92.0%、90.4%和90.5%。结合定位和消融实验结果，这些发现支持在所评估协议下以服务为中心的多模态建模的有效性。
云原生系统由细粒度微服务组成，部署在容器、主机、数据库等异构基础设施上，形成大规模服务图。故障会破坏服务可用性，而早期症状微弱且分散在多模态监控数据（指标、日志、追踪）和跨服务依赖中。现有方法常将异构遥测展平为数值序列，或建模监控变量但不保留服务身份，导致模态特定时序模式和跨服务交互被掩盖，预测精度下降。因此，研究人员提出以服务为中心的提前感知故障预测框架，旨在结合多模态时序证据与跨服务关系，同时保留服务身份以实现后续责任服务定位。论文发表在《Algorithms》。
研究人员开展的研究是：提出LTFP（Lead-Time-Aware Failure Prediction Based on Service GNNs for AIOps），一种以服务图节点为组织单位的预测框架。LTFP使用模态特定时序编码器和门控融合形成服务状态，利用边权重感知的图注意力网络（GAT）在训练拟合的稀疏混合服务图上传播状态，并通过图级故障头与节点级责任头联合预测未来窗口内是否发生故障并排序责任服务。在RCAEval基准的七个子集（来自Online Boutique、Sock Shop和TrainTicket三个云原生系统）上，与MTAD-GAT、GDN、TranAD、TimesNet等源代码基线进行管道级别比较，每种方法保留原始学习目标和输入配置。主要结论：在600秒预测窗口下，LTFP获得宏平均精确率92.0%、召回率90.4%、F1 90.5%；在900秒设定下，责任服务定位Hit@1为47.5%、Hit@3为83.6%，保守MRR下限0.625，超过随机排序和训练频率先验。消融实验表明图传播贡献最大，多模态输入优于单模态。该研究的重要意义在于提供了以服务为中心、提前感知的多模态图学习框架，将故障预测与责任服务排序统一在一个多任务模型中，有助于AIOps场景下的主动运维。
主要关键的技术方法包括：1）模态特定时序编码器：对指标、日志、追踪分别使用时序卷积和注意力池化，保留各自时序模式；2）门控融合：通过可学习门控和最大池化组合各模态编码状态，形成统一服务节点表示；3）训练拟合的混合服务图：结合已知依赖边和训练数据中拟合的稀疏相关系数（Top-k稀疏化）构建混合图，相关系数从训练窗口的服务活动幅度向量计算，并在推理时固定复用；4）边权重感知GAT：利用混合图的边权重作为注意力先验进行消息传递；5）多任务学习：图级故障头输出未来窗口内故障概率，节点级责任头输出各服务责任分数，联合优化二元交叉熵和排序损失。样本队列来源为RCAEval基准的七个子集，涵盖三个云原生系统。
研究结果：
**5.1 实验设置**：使用RCAEval七个子集（RE1-OB、RE2-SS、RE3-TT等），采用70/30案例级划分，预测窗口长度h设为300秒和600秒，通过可控的激活后、用户可见故障前设定构建标签。基线选择MTAD-GAT、GDN、TranAD、TimesNet，保留其原始学习目标和输入格式。LTFP使用最多180个原始特征，基线使用最多80个特征。
**5.2 故障预测性能比较**：在300秒设定下，LTFP平均精确率0.697、召回率0.872、F1 0.760；在600秒设定下，LTFP平均精确率0.920、召回率0.904、F1 0.905，优于所有基线（TimesNet最强，平均F1 0.689）。由于监督信号和特征预算差异，数值差距不完全归因于架构。
**5.3 预测窗口长度的影响**：当h从60秒增至900秒，F1从0.275升至0.950，反映标签窗口宽度和类别平衡的变化。600秒时精确率0.920、召回率0.904。
**5.4 责任服务定位**：在900秒设定下，正窗口的Hit@1为47.5%、Hit@3为83.6%、保守MRR下限0.625，超过训练频率先验和随机排序。但负窗口存在误报（池化FPR 0.339），且候选集大小影响Hit@3结果，因此仅作为辅助短名单，非自动根因决策。
**5.5 计算效率**：在Arm64 CPU上，使用四线程，批量大小32，参数约1.8M，训练5个周期约5.18分钟，推理1053个测试窗口约0.22秒/批。
**5.6 消融研究**：去掉图传播导致F1和AUPRC下降最大；去掉责任服务监督或时序差分特征也降低性能。单模态（指标、日志、追踪）分别获得F1 0.847、0.845、0.828，多模态完整输入获得0.913，表明模态互补。图构造分析显示最大融合（已知依赖+训练相关）性能最佳，且保留的相关边中23/157匹配训练追踪调用对，是随机对的6.26倍。
**5.7 讨论**：源编码基线保留原始学习目标和输入配置，结果表征管道级性能。LTFP的组件效应通过消融研究单独检验。部署时，归一化统计、服务图和模型参数离线拟合，线上仅执行窗口构造和评分。相关图可定期用近期正常遥测刷新并版本化回滚。局限性：LTFP依赖训练数据中的模式，快速工作负载或拓扑变化需图刷新，持续缺失或噪声遥测降低单服务信息，可通过遥测质量监控、模式检查和周期更新缓解。
**结论**：LTFP将异构遥测围绕服务节点组织：独立时序编码器和门控融合保留模态特定证据，结合已知依赖和训练拟合相关性的稀疏图支持跨服务传播。共享的图级和节点级头连接可配置的未来窗口警告与责任服务排序。在七个RCAEval子集上，600秒设定产生宏平均精确率、召回率和F1分别为92.0%、90.4%和90.5%。在900秒时，条件正窗口责任服务Hit@1和Hit@3分别为47.5%和83.6%，保守MRR下限0.625。这些值在宏平均上超过随机排序和训练频率先验，但适中的Hit@1值、候选集依赖性和负窗口误报将其限制为辅助短名单。基线结果在管道级别解释，因为评估方法保留其原始学习目标和输入配置。控制组件和模态分析通过消融研究单独报告，定位基线并不建立相对于先前RCA系统的优越性。该框架提供早期预警概率和操作员短名单。两个实际考虑仍然存在：固定相关图可能滞后于快速工作负载或拓扑变化，持久的缺失或噪声遥测可能削弱服务表示。未来工作将关注版本化图维护、因果传播路径验证以及对不完整遥测的更鲁棒处理。
