从负载测试到实时流：基于图嵌入的微服务架构中的异常检测
机器学习
2026-04-16 v2 人工智能
多媒体
图像与视频处理
摘要
Prime Video 定期进行负载测试，以模拟 Thursday Night Football 等直播事件期间看众流量峰值，以及面向点播事件如 The Rings of Power 的观众流量。虽然这些压力测试可验证系统容量，但有时会遗漏仅在真实事件流量中才出现的服务行为。我们提出一种基于图的异常检测系统，使用无监督的节点级图嵌入识别缺乏代表性的服务。基于 GCN-GAE 的该方法在分钟级分辨率下从有向加权服务图中学习结构表示，并基于负载测试与事件嵌入之间的余弦相似性标记异常。该系统识别了文档化的事件相关服务，并展示了早期检测能力。我们还引入了一个用于受控评估的初步合成异常注入框架，显示出有希望的精确率 (96%) 和较低的误报率 (0.08%)，尽管在保守的传播假设下召回率 (58%) 仍有限。该框架在 Prime Video 中证明了实际用途，同时也暴露了方法学教训和方向，为更广泛的微服务生态系统应用奠定了基础。
引用
@article{arxiv.2604.06448,
title = {From Load Tests to Live Streams: Graph Embedding-Based Anomaly Detection in Microservice Architectures},
author = {Srinidhi Madabhushi and Pranesh Vyas and Swathi Vaidyanathan and Mayur Kurup and Elliott Nash and Yegor Silyutin},
journal= {arXiv preprint arXiv:2604.06448},
year = {2026}
}
备注
Accepted at FSE 2026 - Industrial Track