TVDiag：基于多模态数据的任务导向且不变的故障诊断框架

基于微服务的系统因其复杂的交互和不断扩大的规模，常常会遭受可靠性问题。随着观测技术的快速发展，已提出了各种方法，通过利用诸如日志、指标或痕迹等多样化监控数据来实现故障诊断，包括根本原因定位和故障类型识别。然而，仅使用单模态数据的传统故障诊断方法由于信息受限，几乎无法覆盖所有故障情形。最近几年，针对整合多模态数据的方法基于深度学习被提出，但这些方法倾向于无差别地组合各模态并在故障诊断中平等对待它们，忽略了特定模态与不同诊断任务之间的关系。这削弱了各模态各自优势的有效利用。为此，本文提出了\textit{TVDiag}——一个用于定位微服务实例并识别其故障类型（如Net-packets Corruption）的多模态故障诊断框架。\textit{TVDiag}采用任务导向学习来发挥各模态的潜在优势，并通过对比学习建立跨模态关联，以提取不变的故障信息。此外，我们开发了一种图层级数据增强策略，在训练时随机失活一些正常的微服务实例，以缓解训练数据的不足。实验结果表明，\textit{TVDiag}在多模态故障诊断中优于领先方法，在两个数据集上的HR@1准确率至少提高了55.94%，F1分数提升了4.08%。