面向微服务系统的超图与潜在 ODE 学习用于多模态根因定位
机器学习
2026-05-04 v1 人工智能
摘要
根因定位于云原生微服务系统中需要建模复杂的服务依赖关系、不规则的时序动态以及异构的可观测性数据。我们提出了 HyperODE RCA 框架，综合运用超图注意力学习、潜在常微分方程（latent ODE）和多模态交叉注意力融合，实现细粒度的根因分析。该方法通过可微分超边构建学习更高阶的服务交互，利用 ODE 循环神经网络编码器捕捉来自不规则观测的连续异常演化，并通过上下文感知的模态路由机制自适应融合日志、链路、指标、实体和事件。我们进一步通过变分信息瓶颈、时序因果正则化和不变风险约束提升鲁棒性。在天池 AIOps 基准测试中，实验结果显示该方法在排名和分类性能上相较于强基线显著提升，同时通过学习的超图注意力保持可解释性。
引用
@article{arxiv.2605.00351,
title = {Hypergraph and Latent ODE Learning for Multimodal Root Cause Localization in Microservices},
author = {Xin Liu and Yuhang He and Sichen Zhao and Kejian Tong and Xingyu Zhang},
journal= {arXiv preprint arXiv:2605.00351},
year = {2026}
}