## Memo ## Abstract インスタンスの障害はシステム全体に伝播し、システムのパフォーマンスを低下させる可能性があるため、インスタンスのプロアクティブな障害検出はマイクロサービスシステムにとって極めて重要である。長年にわたり、多くのシングルモード（すなわち、メトリクス、ログ、またはトレース）のデータベースの異常検出方法が提案されてきました。しかし、それらはマルチモーダルデータの相関性を無視しているため、多くの障害を見逃し、多数の誤報を発生させる傾向がある。本研究では、マイクロサービスシステムにおいて、マルチモーダルデータからインスタンス障害をプロアクティブに検出する、教師なし障害検出アプローチであるAnoFusionを提案する。これは、異種マルチモーダルデータの相関を学習するためにGraph Transformer Network（GTN）を適用し、動的に変化するマルチモーダルデータがもたらす課題に対処するためにGraph Attention Network（GAT）とGated Recurrent Unit（GRU）を統合している。2つのデータセットを用いてAnoFusionの性能を評価し、それぞれ0.857と0.922のF1スコアを達成し、最先端の障害検出アプローチを凌駕することを実証する。