基于图神经 AI 的时序动态微服务综合异常检测
机器学习
2025-11-06 v1
摘要
本研究针对微服务架构中的异常检测和根因追踪问题，提出一种统一框架，将图神经网络与时序建模结合。将微服务调用链抽象为有向图，使用节点和边的多维特征构建 service topology representation (服务拓扑表示)，并应用图卷积在节点之间聚合特征并建模依赖关系，以捕获服务之间复杂的结构关系。在此基础上，引入门控循环单元 (GRU) 来建模调用链的时序演化，并使用多层堆叠和拼接操作联合获取结构和时序表示，提高识别异常模式的能力。此外，定义了节点和路径两个层面的异常评分函数，以实现从局部异常检测到全局调用链追踪的统一建模，这实现了对异常服务节点的识别以及对潜在异常传播路径的重建。随后设计了多个维度的灵敏度实验，包括超参数、环境扰动和数据分布，以评估该框架，结果表明在 AUC、ACC、Recall 和 F1-Score 等关键指标上优于基线方法，在动态拓扑和复杂环境下保持高精度和稳定性。该研究不仅为微服务的异常检测提供了新的技术路径，也为分布式系统的智能运营奠定了方法学基础。
引用
@article{arxiv.2511.03285,
title = {Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices},
author = {Qingyuan Zhang and Ning Lyu and Le Liu and Yuxi Wang and Ziyu Cheng and Cancan Hua},
journal= {arXiv preprint arXiv:2511.03285},
year = {2025}
}