基于图神经网络模型的微服务系统根因定位方法及装置

专利主权项内容

1.一种基于图神经网络模型的微服务系统根因定位方法，其特征在于：包括以下步骤：S1、收集微服务系统的历史故障多维度时序性能指标；S2、构建图神经网络模型；利用所述历史故障多维度时序性能指标训练所述图神经网络模型，得到训练完成的图神经网络模型；步骤S2具体为：S21、将所述多维度时序性能指标按照固定时间间隔进行数据采样，得到采样点；将采样点输入至图神经网络模型的编码器，得到采样点的指标数据特征；S22、将同一异常区间采样点的指标数据特征作为图网络的节点；将同一异常区间的节点按照时间顺序连线，构成图网络同一异常区间节点的边；S23、将每个节点的特征向量与邻接节点的特征向量按照固定采样数输入至图神经网络模型的聚合器采用卷积层进行聚合；S24、选择合适的卷积层数量，给不同异常时间窗口打上相应故障类型标签，并进行图神经网络模型的训练，当分类损失函数收敛至期望值时，输出训练完成的图神经网络模型；S3、通过收集到的实时微服务拓扑结构和调用关系构建实例级别的微服务系统异质拓扑图；S4、结合服务请求链路调整各微服务节点的异常权重；步骤S4具体如下：S41、给服务节点赋予个性化值为其所有连接边权值的平均值，包括：服务节点之间直接调用边和服务与该服务所有实例的从属边；S42、给实例节点赋予个性化值为其与所属服务的边权值；simjS43、给宿主机节点赋予个性化值为其与所有该宿主机上实例的边权值的平均值；nkS44、采用个性化随机游走算法在异质拓扑图上对所有节点的异常程度进行降序排序产生初步的根因候选集；S5、将根因候选集和异常时间窗口实时指标特征数据输入图神经网络模型，进行特征加权后得出最终根因和根因异常类型；步骤S5具体如下：S51、在微服务系统实时运行并发生故障时，收集异常时间窗口内整个集群的多维度指标数据；S52、将多维度指标数据输入步骤S2中训练完成的图神经网络模型，得到该实时异常区间内不同类型根因的分类权值；S53、步骤S4中得出的根因候选集与步骤S52中的分类权值进行乘积运算，得出最终根因排名和异常类型，排名越高则越有可能是根因。