面向网络运维的拓扑感知自监督多变量 KPI 异常检测与根因节点定位

《Scientific Reports》：Topology-aware self-supervised multivariate KPI anomaly detection and root cause node localization for network operations

　　

摘要

网络运维中采集的多变量关键性能指标（KPI）流包含丰富的异常诊断证据，但实际部署仍然困难，原因是故障标签稀缺、KPI 在时间和指标维度上的依赖关系强烈，以及故障影响通过网络拓扑传播。本文提出了一种拓扑感知的自监督框架，用于网络运维中的多变量 KPI 异常检测与根因节点定位。该框架通过结合掩码重建、单步预测和拓扑正则化的表示学习，从大量无标签的 KPI 窗口中学习正常行为。随后生成 KPI 级、节点级和系统级异常分数，并通过结合归一化的局部异常证据与有向多跳传播先验下的一致性，对候选根因节点进行排序。为提高透明度，框架还报告了基于残差的 KPI 贡献分数以及一个紧凑的拓扑级解释子图。这些残差占比属于描述性诊断证据，而非因果性或模型梯度的特征归因，也不构成故障类型分类。在基于 Mininet 的测试平台上，三种拓扑规模和六类故障的实验结果显示，五随机种子的 F1 分数为 0.9235 ± 0.0037，A@1 为 0.7613 ± 0.0163。平均 F1 分数比 DCdetector 高 0.43 个百分点，尽管配对差异在统计上不显著。在受控的 KPI 加拓扑可观测性预算下，A@1 比受限输入的 Nezha 适配版本（Holm 校正 \(p=0.013\)）高 5.47 个百分点；该对比并不代表 Nezha 使用其原生多模态输入运行的情况。在公开的 Train-Ticket 基准上的外部验证得到 F1 分数 0.846 和 A@1 为 0.742。消融实验表明，有向传播相比静态无向邻域使 A@1 提高了 1.6 个百分点，而五随机种子的结果显示出稳定的优化效果。在 NVIDIA RTX 3090 上，48 节点设置下完整的在线检测与 RCA 路径耗时 12.4 毫秒。