## Memo ## Abstract マイクロサービスの呼び出し異常は、ユーザーエクスペリエンスとサービス収益に有害な影響を与える可能性があります。既存のトレース異常検出アプローチは、一般的に応答時間と呼び出し構造の異常に焦点を当てますが、異常を検出するために細かい特徴を使用することの重要性を見落としていることがよくあります。さらに、実世界のシナリオから得られるトレースデータは、一般的にノイズを伴い、異常検出アプローチの有効性を妨げる可能性がある。さらに、大規模なトレースデータはモデルの学習効率に大きな影響を与える可能性がある。これらの課題に対処するために、我々はトレース異常を正確に検出する教師なしトレース異常検出手法であるTraceSieveを提案する。我々のアプローチは、ノイズデータをフィルタリングするために、敵対的トレーニングフレームワーク内のオートエンコーダアーキテクチャを活用します。さらに、学習段階での膨大な時間消費という課題を克服するために、変分グラフオートエンコーダ（VGAE）と弾性重み統合（EWC）を組み合わせたVGAE-EWCを統合する。最後に、トレース異常の根本原因を特定する。提案手法を2つの異なるデータセットを用いて評価した結果、TraceSieveはそれぞれ0.970と0.925のF1スコアを達成し、最先端のトレース異常検出アプローチを凌駕することが実証された。