小研究 - 一种复杂微服务系统异常行为分析与定位算法（二）

针对极端学生化偏差（Ｅｘｔｒｅｍｅ　Ｓｔｕｄｅｎｔｉｚｅｄ　Ｄｅｖｉａｔｅ，ＥＳＤ）算法只能对单变量数据进行异常检测，难以对多变量数据进行异常行为度量，提出一种复杂微服务系统异常行为分析与定位（Ｍｕｌｔｉｖａｒｉａｔｅ　Ｓｅａｓｏｎａｌ　Ｈｙｂｒｉｄ　ＥＳＤ，Ｍ．Ｓ－Ｈ－ＥＳＤ）算法。首先，对云平台的微服务运维日志数据进行提取，将多元日志数据进行加权归一得到一元数据。然后，对此一元数据采用多元周期混合ＥＳＤ（Ｓｅａｓｏｎａｌ　Ｈｙｂｒｉｄ　ＥＳＤ，Ｓ－Ｈ－ＥＳＤ）算法对每个服务的异常度进行度量，进而获得异常度最高的服务，根据置信度和异常上限的设置，定位微服务系统异常的根因服务。实验结果表明，Ｍ．Ｓ－Ｈ－ＥＳＤ算法对时间序列多维数据的异常行为检测具有较高的精确度、召回率和Ｆ１值，能够准确定位微服
务系统中的异常服务。

２实验结果与分析

２．１仿真环境和数据选取

２．２异常检测结果评估

２．３微服务异常行为分析和定位

２．３．１数据说明

２．３．２微服务根因异常定位仿真结果

２实验结果与分析

２．１仿真环境和数据选取

仿真实验采用的环境为６４核Ｉｎｔｅｌ　Ｘｅｏｎ　ｐｌａｔｉ－ｎｕｍ　８２６０ＭＣＰＵ、４０Ｇ内存、Ｐｙｔｈｏｎ３．７、Ｕｂｕｎ－ｔｕ１８．０４、Ｃｕｄａ　１０．２和Ｐｙｔｏｒｃｈ　１．６．０。为了验证Ｍ．Ｓ－Ｈ－ＥＳＤ方法的有效性，选取上证指数周期性明显的某股票２０１９ — ２０２２年的股票交易数据作为实验数据，并对异常数据进行标记。

２．２异常检测结果评估

在模拟实验中，分别采用Ｋ－ｍｅａｎｓ、ＰＣＡ－Ｑ统计方法和Ｍ．Ｓ－Ｈ－ＥＳＤ方法对异常进行检测，并对检测结果的准确性、召回率和Ｆ１等指标进行评估对比，结果如图２所示。

从实验结果可以看出，Ｍ．Ｓ－Ｈ－ＥＳＤ方法对于多变量周期数据的异常检测结果优于其他异常检测算法，并在召回率和Ｆ１评估上有较大优势，分别高出３０％和１６％。这是因为，对于时间序列数据，Ｍ．Ｓ－Ｈ－ＥＳＤ算法考虑了初始阶段的周期和趋势，在提取特征时，首先去除了周期和趋势，凸显了数据特征。

２．３微服务异常行为分析和定位

２．３．１数据说明

在复杂微服务系统中，涉及到不同时间序列的服务日志数据，每一个系统的日志数据都需要分别提取。提取日志数据并将其构造为多元数据，主要包括ＯＳＢ（Ｏｒａｃｌｅ　Ｓｅｒｖｉｃｅ　Ｂｕｓ）、ＣＳＦ（Ｃｏｍ－ｍｏｎ　Ｓｅｒｖｉｃｅ　Ｆｒａｍｅｗｏｒｋ）和ＪＤＢＣ（Ｊａｖａ　ＤａｔａｂａｓｅＣｏｎｎｅｃｔｉｖｉｔｙ）等调用类型、开始时刻、持续时间、调用服务、被调服务以及ＣＰＵ占用率、内存占用率和页面缓存等关键性能指标（ＫｅｙＰｅｒｆｏｒｍａｎｃｅ　Ｉｎ－ｄｉｃａｔｏｒ，ＫＰＩ）。部分数据的格式和内容如表１所示。

２．３．２微服务根因异常定位仿真结果

微服务调用的数据不能直接用于根服务异常定位。复杂微服务系统的调用结构如图３所示。基于调用服务和被调服务分组数据，使用Ｍ．Ｓ－Ｈ－ＥＳＤ算法获得每个组服务异常得分值，为分组服务对异常调用得分进行排序，选择前５％作为微服务根因异常的选择对象。

利用Ｍ．Ｓ－Ｈ－ＥＳＤ算法对多元数据处理后，根因异常服务在不同参数的评分结果如表２所示。 α和ｕ值越小，需要定位的根因异常服务就越少，反之亦然。因此，根据情况，可以更准确地将较小的参数分配给问题服务。调整异常的置信度 α 和异常得分的上限ｕ，会得到不同服务下异常得分的值。不同配置参数下根本原因异常得分的折线图如图４所示。从图４中可以看出，异常的置信度 α 和异常得分的上限ｕ并没有改变异常根因服务评估结果的趋势。