关于跨流服务降级检测的可行性

现代网络中的硬件加速通过卸载流至不可观测状态，制造了监控盲区，阻碍实时服务降级（SD）检测。为此，我们提出并形式化一种新型跨流关联框架，基于可观测流可作为非可观测流的环境传感器这一假设。我们对这种跨流格局进行全面统计分析，揭示了基本权衡：虽然关联潜力巨大，但最显性的信号（即共发生的 SD 事件）稀疏且很少完全重合。关键的是，我们的分析表明，这些信号经常 precedes 目标流的降级，从而验证了及时检测的潜力。我们随后使用标准机器学习模型进行评估。虽然模型实现了高分类准确率，但特征重要性分析表明它主要依赖于更简单的流内特征。这一关键发现表明，仅凭简单模型无法充分利用复杂的上下文信息。我们的工作不仅提供了跨流问题的基础性分析，也为未来研究在结构感知模型方面提供了清晰的路线图。