MicroAFL:一种云上微服务故障自动定位方法

随着云上微服务系统规模的不断扩大,微服务之间的依赖关系变得更加紧密复杂,某个微服务的故障可能会通过微服务之间的互相调用传播至其他微服务,进而导致整个微服务系统发生异常。面对依赖关系复杂的微服务系统,考虑到故障的传播性,设计了一种云上微服务故障自动定位方法MicroAFL。首先,MicroAFL实时监测与收集微服务系统运行指标数据,基于自编码器模型对运行指标数据进行分析,判断微服务系统是否存在异常;一旦检测到异常,MicroAFL通过解析云上微服务运行实例之间的通讯数据获取微服务之间的调用关系,进而构建服务调用关系图以刻画故障传播途径;其次,将各个微服务的运行状态与系统资源利用率相关联从而计算服务调用关系图中每个节点的异常权重,并通过改进的加权PageRank算法推断和定位引发异常的故障微服务;最后,在华为云上搭建名为Sock-shop的微服务系统对MicroAFL的故障定位准确性进行评估,实验结果表明MicroAFL的故障定位准确率相较对比方法有所提升。

基于多通道注意力图卷积网络的微服务分解

为了解决功能、规模和复杂性不断增长的软件系统可能面临的可维护性和可扩展性等一系列软件开发和运维问题,微服务分解成为了目前研究的热点。现有的微服务分解主要是通过微服务的聚类,将单体系统划分为潜在的微服务候选。在微服务的自动化聚类中,基于图卷积网络(Graph Convolutional Network,GCN)的深度学习方法在特征学习方面取得了较好的效果,但是现有模型中缺乏对多通道信息的处理。针对该问题,提出一种基于多通道注意力图卷积网络的微服务分解方法MAGEMP。该方法使用多通道图注意力网络来学习不同强度的属性图和结构图节点之间的特征嵌入表示,再通过注意力机制获取不同通道嵌入表示的融合信息,最后综合聚类信息的联合学习框架获得高质量的微服务分解。在四个公开数据集上多角度验证该模型的有效性。与同类方法相比,MAGEMP方法提高了嵌入特征学习能力,在单体程序公开数据集上测试的功能性、模块性等性能方面取得了显著提升。