在微服务架构中多维异常检测和故障定位:双通道深度学习方法与因果推理用于智能传感
Suchuan Xing1, Yihan Wang2, Wenhe Liu3
1Department of Electrical and Computer Engineering, Duke University, Durham, NC 27708, USA.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究介绍了一种双通道深度学习框架,用于复杂数据中心的异常检测和故障定位. 这种新的方法增强了系统监控,并通过智能分析服务指标来减少故障排除时间.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 数据中心管理数据中心管理
背景情况:
- 现代数据中心使用复杂的微服务架构,增加了异常检测和故障定位的难度.
- 传统的监控工具在分布式系统中面临异质度量,时间相关性和精确的根本原因分析的局限性.
研究的目的:
- 提出一种新的双通道深度学习框架,用于在微服务环境中增强异常检测和故障定位.
- 解决数据中心监控中复杂的系统指标和时间依赖性所带来的挑战.
主要方法:
- 在双通道深度学习框架内集成时间卷积网络 (TCN) 和变化自动编码器 (VAE).
- 应用对比式学习来统一表示各种服务指标.
- 结合因果推理机制来追踪故障传播路径.
- 使用半监督学习方法,使用标记和未标记的数据.
主要成果:
- 在异常检测中达到95.4%的准确性,在故障部件定位中达到87.6%的精度.
- 显示平均故障排除时间减少了43%,错误定位率减少了31%.
- 保持了适合实时监控应用的计算效率.
结论:
- 拟议的深度学习框架有效地识别和精确地定位复杂的微服务环境中的异常.
- 系统指标的智能传感使主动维护策略成为可能,最大限度地减少服务中断.
- 这种方法比数据中心异常管理中的最先进方法提供了显著的改进.
