微服务事件管理新突破！STAR用自适应归一化统一搞定异常检测、故障分诊和根因定位，三大任务全面超越SOTA！
STAR: Adaptive Spatial-Temporal Normalization for Unified Microservice Incident Management
📖 AI 总结
本文提出STAR框架，旨在解决大规模微服务系统中自动化事件管理的核心难题。现有自监督方法虽能统一建模异常检测、故障分诊与根因定位三项任务，却难以应对非平稳时间动态和异构服务依赖结构。STAR的核心创新在于将归一化从静态、任务无关的操作转变为可学习、上下文条件化的变换，包含两个紧密耦合的机制：时间自适应归一化利用多尺度时间上下文动态处理多变量时间序列，空间自适应归一化则针对服务依赖图执行结构感知的归一化。二者生成的表示被整合进统一自监督框架，实现三项任务的端到端无监督支持。在两个真实微服务基准上的实验表明，STAR在所有三项任务上均持续优于现有最优基线，性能提升显著且稳定，验证了自适应归一化作为复杂软件系统鲁棒多模态表示学习机制的有效性。
🔑 关键词速览
| STAR | 本文提出的空间-时间自适应表示学习框架，通过自适应归一化统一支持微服务事件管理中的异常检测、故障分诊和根因定位任务。 |
| Temporal Adaptive Normalization (TAN) | 时间自适应归一化机制，利用多尺度时间上下文对多变量时间序列进行动态归一化，以应对非平稳时间动态。 |
| Spatial Adaptive Normalization (SAN) | 空间自适应归一化机制，在服务依赖图上执行结构感知的归一化，以处理异构的服务依赖结构。 |
| Anomaly Detection (AD) | 异常检测任务，旨在从多模态可观测性数据中识别微服务系统中的异常行为或状态。 |
| Root Cause Localization (RCL) | 根因定位任务，旨在确定微服务系统中导致故障或异常的根本原因服务或组件。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅