关系-时序性能异常识别算法

F1 达 0.945

利用图注意力网络与多尺度时序特征，通过半监督PU学习在噪声指标中准确定位异常相关指标，优于现有基线方法。

Wenwei, Gu · 劉金楊 · Chen, Zhuangbin · Jianping, Zhang · Su, Yuxin · Gu, Jiazhen · Cong, Feng · Yang, Zengyin · Yang, Yongqiang · Lyu, Michael Rung Tsong

ACM Transactions on Software Engineering and Methodology 2025

参数信息

F1 分数

0.945

Hit rate@3

0.920

技术优势

能定位异常指标

学习到的图注意力权重用于定位相关性被违反的指标，帮助工程师快速找到问题源头。

抗噪声能力强

采用 PU Learning 策略，利用少量确认的负样本打伪标签，减轻海量噪声指标的影响。

兼顾关系与时序

用图注意力网络刻画指标间关系，并用 GRU 和卷积网络提取长期与多尺度时序模式。

应用场景

• 云服务性能监控：实时检测云服务 KPI 异常并定位根因，避免 SLA 违约。
• 智能运维：用学习模型自动发现运维问题，减少人工排查相关性。