CN119420629A 一种基于图卷积神经网络的微服务故障根因定位方法 （国网安徽省电力有限公司信息通信分公司）

一种基于图卷积神经网络的微服务故障根本发明涉及一种基于图卷积神经网络的微服务故障根因定位方法(Micro)，该方法通过图22.根据权利要求1所述的一种基于图卷积神经网络的微服务故障根因定位方法，其特]>kN>3其中TW表示具有不同注入故障的时间窗集合，p位于t处的单个采样点被输入进行归一化处理，并构成图网络中的一个节点每个节点p有时刻的特征维度都是一致的在图卷积过程中引入了多实例池作为自适应以避免不存在的实例特征影响模型的调整，x(sn),表示该汇集层后保留的多个实例中最池化层将允许后续度量表征服务数量的维度xi,EW8,即独立于实例数量的维度，从个特征节点创建一条边E连接所有节点的集合生成时间晚于图网络中的当前时刻tq，为每个节点生成邻居集N(v),同一异常时间窗口内节点之4对节点度量特征进行汇总和训练，以便根据故障注入导致的不同故障类3.根据权利要求1所述的一种基于图卷积神经网络的微服务故障根因定位方法，其特在实时运行的系统中，每次都需要根据实例数量的变化重建异构拓系统内的实时服务呼叫数据C，然后利用这些数据构建系统调用拓扑图S(N,E)描述微服务主机资源数据的影响，为了计算实例的度量数据和其节点的度量数据N"之间的相4.根据权利要求1所述的一种基于图卷积神经网络的微服务故障根因定位方法，其特5SS(N,E,W),将实例simn与其对应的故障服务sm之间的MC分配给实例节点的个性化数为了从整个微服务系统的指标特征中加强对故MetricSage模型M(v,E),根源候选列表RC和实时度量数据Xin_time都被输入到模型中，以便实时异常时间窗口内的时间序列度量特征被输入图神(SW，作为历史故障分类与实时度量数据之间的相似性权重，然后通R＝RCXSW故障子图中的每个服务节点(s∈S)和实例节点(si∈SI)成为根本原因的可能性对其进行5.一种电子设备，包括存储器、处理器及任意一项所述的基于图卷积神经网络的微服务故障根理器执行时实现如权利要求1_4中任一项所述的基于图卷积神经网络的微服务故障根因定6[0004]动态创建和销毁多实例副本带来的挑战。为了保证不同同时最大限度地减少资源消耗，微服务系统通常使用自动扩展来动态创建和销毁实例副7[0011]由微服务响应时间数据矢量x(S)组成的时间序列矩阵在时间间隔t({t1,t2,…,[0019]度量特征矩阵Nt在时间间隔t内对所有主机节点的度量数据进行采样，其表达式为[0022]xr=[sr,slr,N],teTW8p口中位于t处的单个采样点被输入进行归一化处理，并构成图网络p节点",的特征包括当前时刻整个微服务系统的所有指标，记为xtp当服务拓扑结构稳定时，所有时刻的特征维度都是一致的(X,EX),在图卷积过程中引入了多实例池作为自[0028]池化层将允许后续度量表征服务数量的维度即独立于实例数量的维生成时间晚于图网络中的当前时刻tq，为每个节点生成邻居集N(v),同一异常时间窗口内节点之间的边使图网络结构能够捕捉和保留时间序列特征，",节点的为[0031]在MetricSage中，每个节点的特征向量xr,和特征向量集(fxr,ueN(v))被输[0033]其中，N表示从相邻节点集N(V)中随机抽取n个节点，σ表示整定线性单元激活函9相关值，为获得拓扑节点vsm和vsimn之间的边缘(ossm)的最大相关值、将微服务的整个主机资源数据的影响，为了计算实例的度量数据su'mo和其节点的度量数据N"之间的相关性，计算了相关性的最大值、计算拓扑节点和之间边的最大相关为[0042]SS(N,E,W),将实例simn与其对应的故障服务sm之间的MC分配给实例节点的个性用了MetricSage模型M(v,E),根源候选列表RC和实时度量数据Xin-time都被输入到模型中，根据故障子图中的每个服务节点(s∈S)和实例节点(si∈SI)成为根本原因的可能性对其[0052]R=fr,优于基线方法，在四个数据集中，本在PR@1中平均提高了11.5在PR@3中平均提高了同类型的多维故障。收集整个集群在不同故[0074]由微服务响应时间数据矢量x(S)组成的时间序列矩阵在时间间隔t({t1,t2,…,[0082]度量特征矩阵Nt在时间间隔t内对所有主机节点的度量数据进行采样，其表达式为[0085]xr=[sr,sl,N]l,tETWp口中位于t处的单个采样点被输入进行归一化处理，并构成图网络中的一个节点每个p节点V,的特征包括当前时刻整个微服务系统的所有指标，记为xt'当服务拓扑结构稳定时，所有时刻的特征维度都是一致的(X,ERX),在图卷积过程中引入了多实例池作为自[0091]池化层将允许后续度量表征服务数量的维度即独立于实例数量的维于一个特征节点创建一条边E连接所有节点的集合({Vt|t>tq∧t生成时间晚于图网络中的当前时刻tq，为每个节点生成邻居集N(v),同一异常时间窗口内节点之间的边使图网络结构能够捕捉和保留时间序列特征，",节点的为[0094]在MetricSage中，每个节点的特征向量xr,和特征向量集(fxr,ueN(v))被输[0096]其中，N表示从相邻节点集N(V)中随机抽取n个节点，σ表示整定线性单元激活函s的整个主机资源数据的影响，为了计算实例的度量数据su'mo和其节点的度量数据之间为[0103]SS(N,E,W),将实例simn与其对应的故障服务sm之间的MC分配给实例节点的个性用了MetricSage模型M(v