Detección de Anomalías para Sistemas en la Nube con Aprendizaje Espaciotemporal Dinámico

A medida que las arquitecturas de sistemas en la nube evolucionan continuamente, las interacciones entre los componentes distribuidos en diversas funciones se vuelven cada vez más complejas. Esta complejidad dificulta la detección de anomalías en los sistemas en la nube. El estado del sistema ya no puede determinarse a través de indicadores clave de rendimiento (KPI) individuales, sino a través de juicios conjuntos basados en relaciones sinérgicas entre componentes distribuidos. Además, las anomalías en los sistemas modernos en la nube generalmente no son fallos súbitos, sino más bien fallos locales, crónicos y graduales o degradaciones de calidad en un estado débilmente disponible. Por lo tanto, modelar con precisión los sistemas en la nube y extraer el estado oculto del sistema es crucial. Para abordar este desafío, proponemos un método de detección de anomalías con aprendizaje espaciotemporal dinámico (AD-DSTL). ADDSTL aprovecha las dinámicas espaciotemporales del sistema para entrenar un modelo de aprendizaje profundo de extremo a extremo basado en datos de monitoreo del sistema para detectar estados anómalos subyacentes en sistemas complejos en la nube. A diferencia de trabajos anteriores que se centran en los KPI de componentes separados, AD-DSTL construye un modelo para todo el sistema y caracteriza sus dinámicas espaciotemporales basándose en redes neuronales convolucionales gráficas (GCN) y memoria a corto y largo plazo (LSTM). Validamos AD-DSTL utilizando cuatro conjuntos de datos de diferentes orígenes, y demostró una robustez superior en comparación con otros algoritmos de referencia. Además, al aumentar el nivel de excepción objetivo, tanto el recall como la precisión de AD-DSTL alcanzaron aproximadamente 0.9. Nuestros resultados experimentales demuestran que AD-DSTL puede cumplir con los requisitos de detección de anomalías para sistemas complejos en la nube.