本技术属于微服务环境下的大数据分析处理领域,涉及一种基于门控图神经网络(GGNN)和Deep SVDD融合的微服务调用图异常的假阳性检测方法;该方法包括以下步骤:通过微服务日志的链路数据构成的数据集获取微服务调用图,预处理后得到模型训练数据集;构建基于微服务调用图的异常假阳性检测模型;对模型进行训练,得到门控图神经网络(GGNN)的正常/异常学习参数,分别获取正常/异常Deep SVDD超球体;使用训练后的假阳性检测模型,将待检测的疑似异常的微服务链路数据输入模型,计算微服务调用图的异常度量,以判断当前微服务调用图整体图结构的正常/异常状态。本发明能够解决当前微服务检测算法在实际生产环境中假阳性、误报率大多偏高的问题。
背景技术
在2022年1月11日IDC(互联网数据中心)发布了2022年中国未来网络十大预测,其中有3项预测涉及到了云网络,预测中提到云网络软件、云管理以及商业规模在未来3年内将会有较快的增长,微服务作为云网络的基础思想之一也必然会迎来一个高速发展的阶段。然而,随着微服务架构逐步成为互联网应用所采用的主流架构之一,针对微服务软件异常检测工作的必要性日益凸显。如何有效实现面向微服务软件的异常检测,是保障微服务软件性能与可靠性、提高产品经济和社会效益亟待解决的问题之一。
在分布式系统中,微服务的服务调用图反映了各服务之间的依赖关系,其结构和节点特征对系统的整体健康状况具有重要影响,现有的微服务异常检测方法难以有效利用调用图的结构信息和节点特征,从而限制了异常检测的效果。
并且,现有的微服务异常检测方法都有一个共同的假设,即在应用程序具有类似的性能,记录类似的事件,或者以类似的顺序执行类似的交互。然而,因为多个微服务应用程序的实际行为也取决于它们执行的条件,而这些条件通常是动态变化的,这导致了当前微服务检测算法在实际生产环境中假阳性、误报率大多偏高。
实现思路