针对极端学生化偏差（Ｅｘｔｒｅｍｅ Ｓｔｕｄｅｎｔｉｚｅｄ Ｄｅｖｉａｔｅ，ＥＳＤ）算法只能对单变量数据进行异常检测，难以对多变量数据进行异常行为度量，提出一种复杂微服务系统异常行为分析与定位（Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｅａｓｏｎａｌ Ｈｙｂｒｉｄ ＥＳＤ，Ｍ．Ｓ－Ｈ－ＥＳＤ）算法。首先，对云平台的微服务运维日志数据进行提取，将多元日志数据进行加权归一得到一元数据。然后，对此一元数据采用多元周期混合ＥＳＤ（Ｓｅａｓｏｎａｌ Ｈｙｂｒｉｄ ＥＳＤ，Ｓ－Ｈ－ＥＳＤ）算法对每个服务的异常度进行度量，进而获得异常度最高的服务，根据置信度和异常上限的设置，定位微服务系统异常的根因服务。实验结果表明，Ｍ．Ｓ－Ｈ－ＥＳＤ算法对时间序列多维数据的异常行为检测具有较高的精确度、召回率和Ｆ１值，能够准确定位微服
务系统中的异常服务。
目录
[２ 实验结果与分析](#２ 实验结果与分析)
[２．１ 仿真环境和数据选取](#２．１ 仿真环境和数据选取)
[２．２ 异常检测结果评估](#２．２ 异常检测结果评估)
[２．３ 微服务异常行为分析和定位](#２．３ 微服务异常行为分析和定位)
[２．３．１ 数据说明](#２．３．１ 数据说明)
[２．３．２ 微服务根因异常定位仿真结果](#２．３．２ 微服务根因异常定位仿真结果)
２ 实验结果与分析
２．１ 仿真环境和数据选取
仿真实验采用的环境为６４核Ｉｎｔｅｌ Ｘｅｏｎ ｐｌａｔｉ －ｎｕｍ ８２６０ ＭＣＰＵ、 ４０ Ｇ 内 存、 Ｐｙｔｈｏｎ３．７ 、 Ｕｂｕｎ －ｔｕ１８．０４ 、 Ｃｕｄａ １０．２和Ｐｙｔｏｒｃｈ １．６．０ 。为了验证 Ｍ．Ｓ － Ｈ － ＥＳＤ 方法的有效性，选取上证指数周期性明显的某股票 ２０１９ --- ２０２２ 年的股票交易数据作为实验数据，并对异常数据进行标记。
２．２ 异常检测结果评估
在模 拟 实 验 中，分 别 采 用 Ｋ － ｍｅａｎｓ 、 ＰＣＡ －Ｑ统计方法和Ｍ．Ｓ － Ｈ － ＥＳＤ 方法对异常进行检测，并对检测结果的准确性、召回率和 Ｆ１ 等指标进行评估对比，结果如图 ２ 所示。
从实验结果可以看出， Ｍ．Ｓ － Ｈ － ＥＳＤ 方法对于多变量周期数据的异常检测结果优于其他异常检测算法，并在召回率和 Ｆ １ 评估上有较大优势，分别高出３０％和１６％ 。这是因为，对于时间序列数据，Ｍ．Ｓ － Ｈ － ＥＳＤ算法考虑了初始阶段的周期和趋势，在提取特征时，首先去除了周期和趋势，凸显了数据特征。
２．３ 微服务异常行为分析和定位
２．３．１ 数据说明
在复杂微服务系统中，涉及到不同时间序列的服务日志数据，每一个系统的日志数据都需要分别提 取。提 取 日 志 数 据 并 将 其 构 造 为 多 元 数据，主要包括 ＯＳＢ （ Ｏｒａｃｌｅ Ｓｅｒｖｉｃｅ Ｂｕｓ ）、 ＣＳＦ （ Ｃｏｍ －ｍｏｎ Ｓｅｒｖｉｃｅ Ｆｒａｍｅｗｏｒｋ ）和 ＪＤＢＣ （ Ｊａｖａ ＤａｔａｂａｓｅＣｏｎｎｅｃｔｉｖｉｔｙ ）等调用类型、开始时刻、持续时间、调用服务、被调服务以及 ＣＰＵ 占用率、内存占用率和页面缓存等关键性能指标（ＫｅｙＰｅｒｆｏｒｍａｎｃｅ Ｉｎ －ｄｉｃａｔｏｒ ， ＫＰＩ ）。 部 分 数 据 的 格 式 和 内 容如 表 １所示。
２．３．２ 微服务根因异常定位仿真结果
微服务调用的数据不能直接用于根服务异常定位。复杂微服务系统的调用结构如图 ３ 所示。基于调用服务和被调服务分组数据，使用 Ｍ．Ｓ － Ｈ －ＥＳＤ 算法获得每个组服务异常得分值，为分组服务对异常调用得分进行排序，选择前５％作为微服务根因异常的选择对象。
利用 Ｍ．Ｓ － Ｈ － ＥＳＤ算法对多元数据处理后，根因异常服务在不同参数的评分结果如表 ２ 所示。 α和 ｕ 值越小，需要定位的根因异常服务就越少，反之亦然。因此，根据情况，可以更准确地将较小的参数分配给问题服务。调整异常的置信度 α 和异常得分的上限 ｕ ，会得到不同服务下异常得分的值。不同配置参数下根本原因异常得分的折线图如图４所示。从图４中可以看出，异常的置信度 α 和异常得分的上限 ｕ 并没有改变异常根因服务评估 结 果的趋势。
表２反映了异常根因服务得分和定位结果，其中异常得分的上限 ｕ 越高，得到的异常根因服务越紧致，反之，得到的异常根因服务越松弛。按照得分结果进行排序，最有可能发生异常的根因服务就在其中，排序愈靠前，发生异常的可能性越大。通过对服务异常的评分排序，可以得到复杂微服务系统的根因异常分析结果，如表３所示。
