基于孪生图与注意力多模态学习的微服务系统异常检测
机器学习
2023-10-10 v1 软件工程
摘要
近年来，微服务架构因其独立部署与伸缩服务的能力而在企业管理应用中迅速兴起。尽管有其优势，保障微服务系统的可靠性与安全性仍极具挑战。现有基于单一数据模态（即指标、日志或调用链）的异常检测算法未能充分考虑不同模态间复杂关联与交互，导致漏报与误报，而引入更多数据模态可带来进一步提升性能的契机。作为全新尝试，本文提出一种半监督的基于图的异常检测方法 MSTGAD，其通过注意力多模态学习无缝融合所有可用数据模态。首先，我们从三种模态提取并归一化特征，进而使用一张图（即 MST（微服务系统孪生）图）进行整合，其中每个节点代表一个服务实例，边表示不同服务实例间的调度关系。MST 图对真实微服务系统中服务实例的状态与调度关系提供了虚拟表征。其次，我们构建带有空间与时间注意力机制的基于 transformer 的神经网络，以建模不同模态间互相关及数据点间时间依赖。这使我们能够实时自动且精准地检测异常。MSTGAD 的源代码公开于 https://github.com/alipay/microservice_system_twin_graph_based_anomaly_detection。
引用
@article{arxiv.2310.04701,
title = {Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System},
author = {Jun Huang and Yang Yang and Hang Yu and Jianguo Li and Xiao Zheng},
journal= {arXiv preprint arXiv:2310.04701},
year = {2023}
}
备注
This paper have been accepted by ASE 2023