基于大型语言模型的微服务系统自回归多模态异常检测

arXiv:2610.31722v1 公告类型：新 摘要：微服务系统已成为大规模云应用的主流架构，支持快速部署和弹性扩展。然而，微服务系统的可靠性与可用性在很大程度上依赖于有效的异常检测，因为故障和性能异常可能会在各服务之间迅速传播，并严重影响端到端系统行为。现有的面向微服务系统的多模态异常检测方法通常面临两个根本性局限：（i）偏重跨模态融合而忽视模态特有的特征；（ii）特征重构过程中存在“身份捷径”问题。为解决这些问题，我们提出了 LLMMAD，一种基于大型语言模型（LLMs）的面向微服务系统的自回归多模态异常检测框架。首先，为兼顾跨模态融合与模态特有信息保留，LLMMAD 将多模态数据嵌入并重组为统一序列，交由 LLM 处理以建模模态间关系，同时采用按模态设置的重构头来保留模态特有信息。随后，为消除身份捷径问题，我们设计了由预测驱动的自回归目标，使模型预测未来状态，而不是复制当前输入。最后，我们在三个真实世界数据集上进行了广泛实验。结果表明，LLMMAD 始终优于最先进的方法，F1-score 分别提升了 3.1%、1.4% 和 0.9%，从而为微服务监控提供了更可靠的解决方案。