基于半监督跨模态注意力的软件系统异构异常检测

及时且准确地检测系统异常对于保障软件系统的可靠性至关重要。与利用所有可用运行时信息的手工方式不同，现有方法通常仅利用单一类型的监控数据（常为日志或指标），或未能有效利用不同类型数据之间的联合信息。因此，出现了许多误报。为了更好地理解系统异常的表现形式，我们对大量异构数据（即日志与指标）进行了系统性研究。我们的研究表明，日志与指标能够协同且互补地表现系统异常，仅依靠其中任一种都不足以全面反映。因此，融合异构数据有助于还原系统健康状态的完整图景。在此背景下，我们提出 Hades，这是首个基于异构数据有效识别系统异常的端到端半监督方法。我们的方法采用分层架构，通过融合日志语义与指标模式来学习系统状态的全局表示。它通过一个以半监督方式训练的跨模态注意力模块，从异构数据中捕获判别性特征与有意义的相互作用。我们在大规模模拟数据以及来自华为云的数据集上对 Hades 进行了广泛评估。实验结果展示了我们的模型在检测系统异常方面的有效性。我们还发布了代码与标注数据集，以便复现和后续研究。