面向在线服务多元监控指标的实际异常检测
软件工程
2023-08-22 v1 机器学习
摘要
随着现代软件系统在复杂性与规模上的持续增长，对刻画系统健康状态的多元监控指标进行异常检测变得愈发关键且具有挑战性。尤其不同指标间的依赖关系及其历史模式，对实现快速准确的异常检测起着决定性作用。现有方法因无法高效捕获此类信息，难以满足工业需求。为填补这一重要空白，本文提出 CMAnomaly，一种基于协同机的多元监控指标异常检测框架。所提出的协同机是一种以线性时间复杂度捕获特征维与时间维上成对交互的机制。随后可采用高性价比模型，利用监控指标间的依赖关系及其历史模式进行异常检测。所提框架使用公开数据及从华为云大规模在线服务系统收集的工业数据进行了充分评估。实验结果表明，相较于最先进的基线模型，CMAnomaly 取得 0.9494 的平均 F1 分数，超出基线 6.77% 至 10.68%，且运行速度快 10 至 20 倍。此外，我们也分享了将 CMAnomaly 部署于华为云的经验。
引用
@article{arxiv.2308.09937,
title = {Practical Anomaly Detection over Multivariate Monitoring Metrics for Online Services},
author = {Jinyang Liu and Tianyi Yang and Zhuangbin Chen and Yuxin Su and Cong Feng and Zengyin Yang and Michael R. Lyu},
journal= {arXiv preprint arXiv:2308.09937},
year = {2023}
}
备注
This paper has been accepted by the 34th IEEE International Symposium on Software Reliability Engineering (ISSRE'2023)