技术分享｜基于图神经网络的微服务系统调用链和日志融合异常检测方法

最新推荐文章于 2025-07-27 18:31:36 发布

pengxin_ce

最新推荐文章于 2025-07-27 18:31:36 发布

阅读量2.2k

点赞数 2

CC 4.0 BY-SA版权

文章标签：运维大数据 python 机器学习人工智能

本文链接：https://blog.youkuaiyun.com/pengxin_ce/article/details/125326144

复旦大学CodeWisdom团队提出了一种基于图神经网络的微服务系统调用链和日志融合异常检测方法——DeepTraLog，它在ICSE 2022发表。该方法通过统一的图模型建模调用链与日志关系，利用Deep SVDD训练异常检测模型，提高了微服务异常检测的准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

基于图神经网络的微服务系统调用链和日志融合异常检测方法

微服务系统运行时环境具有高度的复杂性和动态性，由此带来的各种问题导致微服务系统常常出现各种故障。为了尽早发现故障，快速准确的异常检测方法成为保证微服务系统可靠性的重要手段。为了提高微服务系统异常检测的准确率，复旦大学CodeWisdom团队提出一种基于图神经网络的微服务系统调用链和日志融合异常检测方法。该方法通过统一的图模型建模调用链及其相关日志的复杂关系，并使用图神经网络和Deep SVDD训练异常检测模型。基于该研究的论文“DeepTraLog: Trace-Log Combined Microservice Anomaly Detection through Graph-based Deep Learning” 发表于软件工程领域顶级国际会议ICSE 2022中。
论文作者包括复旦大学的张晨曦、彭鑫、沙朝锋、张可、傅震卿、吴茜雅，微软亚洲研究院的林庆维、张冬梅。
论文链接地址：https://cspengxin.github.io/publications/icse22-DeepTraLog.pdf

调用链与日志

微服务架构已成为云原生的重要组成部分。微服务架构将应用程序分解为一组细粒度的服务，每个服务可以独立开发、独立部署、独立扩缩容。工业微服务系统往往包含数百至数千个微服务，每个微服务又有多个动态变化的服务实例。这使得微服务系统运行时环境具有高度的复杂性和动态性。为了观察微服务系统的运行状况、及时发现及定位系统运行时问题，可观测性技术在微服务系统得到了广泛应用。现有的可观测性技术专注于指标（Metrics）、日志（Logging）和调用链（Tracing）三种数据。其中日志、调用链作为反应软件细粒度执行行为的两种数据，大部分运维人员都会通过这两种数据分析系统故障。