GAL-MAD：基于图注意力网络的微服务应用可解释异常检测

向微服务架构过渡已彻底革新了软件架构，提供了增强的可扩展性和模块化。然而，微服务的分布式和动态特性引入了确保系统可靠性的复杂性，使得异常检测对于维持性能和功能至关重要。源于网络和性能问题的异常必须迅速识别和解决。现有的异常检测技术常依赖统计模型或机器学习方法，这些方法在处理微服务应用中固有的高维、相互依赖数据时常常力不从心。现有技术和可用数据集主要聚焦于系统轨迹和日志，限制了其支持高级检测模型的能力。本文通过引入使用开源机器人商店微服务应用程序生成的 RS-Anomic 数据集来弥补这些差距。该数据集包含在正常和异常条件下捕获的多变量性能指标和响应时间，涵盖十种类型的异常。我们提出一种新型异常检测模型，称为基于图注意力和基于 LSTM 的微服务异常检测 (GAL-MAD)，利用图注意力和长短期记忆架构来捕获微服务中的空间和时间依赖关系。我们利用 SHAP 值来局部化异常服务并识别根本原因，以增强可解释性。实验结果表明，GAL-MAD 在 RS-Anomic 数据集上优于最先进的模型，实现了在不同异常率下的更高准确率和召回率。这些解释提供了有助于系统管理员的可操作见解。