Детальная информация

Цель работы — разработка подхода к обнаружению аномалий в микросервисной архитектуре на основе анализа данных распределённой трассировки. Объект исследования — поведение микросервисной архитектуры, наблюдаемое через данные распределённой трассировки. Задачи: 1. Составить и обосновать перечень аномалий, обнаружение которых должно поддерживаться разрабатываемым подходом. 2. Проанализировать современные подходы к обнаружению аномалий в данных распределённой трассировки. 3. Разработать подход к обнаружению аномалий, объединяющий анализ структуры графа вызовов и временных характеристик узлов. 4. Спроектировать и разработать тестовый стенд для генерации и сбора трассировок в соответствии с составленным перечнем аномалий. 5. Реализовать сервис обнаружения аномалий трассировок на основе разработанного подхода. 6. Провести оценку точности реализованного сервиса. Разработан подход, объединяющий графовый вариационный автокодировщик и два топологических слагаемых по сильной симуляции. Порог принимается ядерной оценкой плотности. На структурных аномалиях Best-F1 повышен с 0,87–0,95 до 0,97–0,98. Сделан вывод: топологические слагаемые устраняют инверсию правдоподобия и повышают качество обнаружения. Реализован стенд из пяти сервисов и генератора трафика на стеке OpenTelemetry и Jaeger.

The aim of this work is to develop an approach to anomaly detection in microservice architecture based on the analysis of distributed tracing data. The object of study is the behaviour of microservice architecture observed through distributed tracing data. The tasks are: 1. To compile and justify a list of anomalies whose detection should be supported by the developed system. 2. To analyse contemporary approaches to anomaly detection in distributed tracing data. 3. To develop an anomaly detection approach combining analysis of the call graph structure with the temporal characteristics of nodes. 4. To design and develop a test bench for the generation and collection of traces in accordance with the compiled list of anomalies. 5. To implement a trace anomaly detection service based on the developed method. 6. To evaluate the accuracy of the implemented service. An approach has been developed combining a graph variational autoencoder with two topological terms under strong simulation; the decision threshold is built by kernel density estimation. For structural anomalies, Best-F1 is improved from 0.87– 0.95 to 0.97–0.98. Conclusion: topological terms eliminate the likelihood-inversion effect and raise detection quality. A test bench of five services and a traffic generator on the OpenTelemetry and Jaeger stack has been implemented.