通过细粒度多模态关联与频域分析提升 Web 服务异常检测
软件工程
2025-01-29 v1 机器学习
摘要
异常检测对于确保 Web 服务系统的稳定性和可靠性至关重要。日志和指标包含可以反映系统运行状态和潜在异常的多种信息。因此，现有异常检测方法通过数据融合方式使用日志和指标来检测 Web 服务系统的异常。它们通过粗粒度时间窗口对齐来关联日志和指标，通过重建来捕捉系统运行的正常模式。然而，这些方法存在两个问题限制了异常检测的性能：其一，由于日志和指标之间的异步，粗粒度时间窗口对齐无法实现对两者的精确关联。其二，基于重建的方法存在严重的过度概括问题，导致异常被准确重建。本文提出一种名为 FFAD 的新型异常检测方法，以解决这两个问题。一方面，FFAD 采用图基方法从构建的日志-指标关系图中矿掘和提取日志与指标之间的关联，实现日志与指标之间的精确关联。另一方面，我们通过 Fourier Frequency Focus 来提高模型对正常数据分布的拟合程度，从而增强异常检测的有效性。我们在两个真实工业数据集和一个开源数据集上验证了模型的有效性。结果表明，我们的方法在平均异常检测 F1 分数上实现了 93.6%，相较于先前的 SOTA 方法提高了 8.8%。
引用
@article{arxiv.2501.16875,
title = {Enhancing Web Service Anomaly Detection via Fine-grained Multi-modal Association and Frequency Domain Analysis},
author = {Xixuan Yang and Xin Huang and Chiming Duan and Tong Jia and Shandong Dong and Ying Li and Gang Huang},
journal= {arXiv preprint arXiv:2501.16875},
year = {2025}
}
备注
Accepted by WWW' 25