# AnoFusion [[@2023__KDD__Robust Multimodal Failure Detection for Microservice Systems]](KDD '23)で [[Chenyu Zhao]]・[[Minghua Ma]] らが提案したマイクロサービス向け教師なしインスタンス障害検知手法。metric・log・trace の 3 モダリティを時系列チャンネルにシリアライズしたうえで異種グラフストリームを構成し、Graph Transformer Network(GTN)で相関を学習、Graph Attention Network(GAT)でノードの重要度を動的に重み付けし、GRU で次時刻の値を予測して観測値との乖離を failure score とする。動的閾値決定に Extreme Value Theory(EVT)を用いる。 - GAIA データセット(D1、10 インスタンス)で F1=0.857、商業銀行の非公開データセット(D2、28 インスタンス)で F1=0.922 を達成し、2 モダリティ手法 [[SCWarn]] を最大 41.00%、単純多数決の JLT を最大 44.10% 上回った。(Source: [[@2023__KDD__Robust Multimodal Failure Detection for Microservice Systems]]) - コードは https://github.com/zcyyc/AnoFusion で公開されている(論文中の記載)。 - 障害の「有無」を検知する二値タスクに特化しており、根本原因箇所特定(RCL)や障害種別分類(FTI)は対象外。この点で、[[TVDiag]]・[[UniDiag]] など後続のマルチモーダル**診断**手法(RCL/FTI)とはタスク設定が異なる。 ## 関連 - ソース: [[@2023__KDD__Robust Multimodal Failure Detection for Microservice Systems]] - 著者: [[Chenyu Zhao]] / [[Minghua Ma]] / [[Zhenyu Zhong]] / [[Shenglin Zhang]] / [[Zhiyuan Tan]] / [[Xiao Xiong]] / [[LuLu Yu]] / [[Jiayi Feng]] / [[Yongqian Sun]] / [[Yuzhi Zhang]] / [[Dan Pei]] / [[Qingwei Lin]] / [[Dongmei Zhang]] - 概念: [[マルチモーダル障害診断]] / [[異常検知]] / [[グラフニューラルネットワーク]] / [[トレース異常検知]] / [[ログベース異常検知]]