[发明专利]一种面向在线实时的微服务调用链异常检测方法

权利要求书

1.一种面向在线实时的微服务调用链异常检测方法，其特征在于，所述异常检测方法包括以下步骤：

S1，获取调用链数据，该调用链数据由按时序排序的事件组成；将微服务调用链建模为自然语言序列，对调用链中记录的事件进行解析，将事件提取为语义序列及响应时间序列；

S2，利用词汇嵌入式表示算法提取出调用链中事件的向量化表示，将调用链表示为按时序排列的数值型向量序列；

S3，从数值型向量序列中按时间窗口大小提取长度为N的子序列，前N-1条作为参考值，第N条作为观测值，采用基于注意力机制的双层长短期记忆深度神经网络，预测得到观测值的事件模板和对应的响应时间，将预测结果和实际观测到的结果相对比，以同时检测调用链中存在的微服务实例调用路径异常与性能异常。

2.根据权利要求1所述的面向在线实时的微服务调用链异常检测方法，其特征在于，步骤S1中，所述事件中包含调用类型、时间戳、响应时间、调用链唯一标识、事件唯一标识、父事件唯一标识、调用网元唯一标识和微服务名称八个字段；

将事件提取为语义序列及响应时间序列的过程包括以下子步骤：

从事件包含的八个字段中选取调用类型、调用网元唯一标识和微服务名称组成事件模板，从事件包含的八个字段中选取响应时间作为微服务响应时间；

其中，对所述微服务响应时间进行标准化处理，得到所述微服务响应时间的标准化微服务响应时间；

完成调用链数据解析后，长度为N的调用链T＝[e₀，e₁，...，e_N-1]被表示为按时间戳排序的两条序列，分别是事件模板序列T_ρ＝[ρ₀，ρ₁，...，ρ_N-1]以及响应时间序列T_η＝[η₀，η₁，...，η_N-1]，其中e_i代表调用链中记录的事件，ρ_i代表数据解析完成后获得的事件模板，η_i代表每个事件中记录的微服务的响应时间。

3.根据权利要求1所述的面向在线实时的微服务调用链异常检测方法，其特征在于，步骤S2中，利用词汇嵌入式表示算法提取出调用链中事件的向量化表示，将调用链表示为按时序排列的数值型向量序列的过程包括以下步骤：

S21，将调用链看作语句，事件看作语句中的词语，事件之间的调用关系看作语法，得到事件模板集合S＝{ρ₀，ρ₁，...，ρ_V-1}，V代表独一无二的事件模板的个数；

S22，对事件模板进行预处理，利用独热编码方式将集合S中的每个事件模板ρ映射到一个维度为V的向量o，将事件模板编码为独热向量，得到集合S对应的独热编码向量集合O＝{o₀，o₁，...，o_V-1}，其中o_i代表事件e_i对应的独热编码向量；

S23，对于给定调用链的事件模板序列T_ρ＝[ρ₀，ρ₁，...，ρ_N-1]，通过查询集合O将T_ρ映射为T_o＝[o₀，o₁，...，o_N-1]，其中o_k代表事件e_k对应的独热编码向量；将事件模板ρ_i对应的独热向量输入词汇嵌入式表示模型中，词汇嵌入式表示模型输出为事件模板ρ_i的上下文对应的独热向量ρ_b∈{...，ρ_i-1，ρ_i+1，ρ_i+2，...}；其中，所述词汇嵌入式表示模型为解码器和编码器都为全连接神经网络的自编码器；自编码器训练完成后，将事件模板的独热向量输入到编码器中，得到事件模板的语义向量；所述语义向量包含其对应所述事件模板在调用链中的上下文信息。