[发明专利]调用链异常检测方法、计算机设备以及可读存储介质

说明书

本发明提出一种调用链路异常检测方法，涉及计算机技术领域，该方法包括以下步骤：步骤S10，将调用链处理成span组成的图；步骤S20，根据图嵌入的方法将所述调用链中的每一个span编码为高维向量；步骤S30，通过深度贝叶斯模型获取所述高维向量的正常模式的概率分布；步骤S40，依据获取的概率分布对待检测调用链的异常进行判断。采用上述方案的本发明能够同时检测结构异常和指标异常并且可以区分哪一种异常，除此之外，本发明还能充分利用完整的调用链数据处理复杂的模式和支持细粒度的根因定位，进而提高时间和空间效率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种调用链异常检测方法、计算机设备以及可读存储介质。

背景技术

使用分布式架构，例如面向服务的架构(service-oriented architecture,SOA)或者微服务架构(microservice architecture)，是现代构建软件系统的主流趋势。这类架构具有快速迭代，易于扩展和利于自动化的特点。

对于SOA或者微服务架构，整个系统被拆分为几十到几千个小的服务，每个服务可能运行在一个或者多个实例(instance)中。这些服务各自只聚焦一小部分功能，完成完整的用户请求需要互相之间通过HTTP API(application programming interface)等远程进程通信(remote process communication，RPC)方法实现。微服务架构相比SOA，其中的微服务解耦程度更高，每个微服务都相对独立地完成一小块功能。微服务架构中的服务数量一般远多于SOA中的服务数量。当用户发出一个请求时(例如点击页面上的“购买”按钮之后)，系统的整个执行过程可能包含数十个到数百个对不同服务的同步的或者异步的调用(span)。

在系统完成一次业务调用的过程中，把服务之间的调用信息(时间、接口、层次、结果)打点到日志中，然后将所有的打点数据连接为一个树状链条就产生了一个调用链，也就是说整个执行过程(所有的span以及span之间的关系)被称为一个调用链(trace)。调用链可以跟踪系统把过程中产生的日志信息进行分析处理，将业务端到端的执行完整的调用过程进行还原，根据不同维度进行统计分析；从而标识出有异常的服务调用，快速分析定界到出异常的服务；同时可根据数据统计分析系统性能瓶颈。

当分布式系统发生故障时，由于服务之间复杂且动态的互相依赖关系，诊断与定位故障根因往往是非常困难的。静态统计分析不能捕获服务之间动态变化的依赖关系，因此往往无法找到故障的关键信息。另一方面，基于日志的分析由于日志的实现是很随意的，日志的数据也非常巨大，因此很难从海量信息中挖掘到故障的关键信息。而调用链日志是一类特殊的日志。分布式调用采集系统(例如Jaeger或者Zipkin)通过追踪每个用户请求在不同服务上的执行过程，能够确定每一条trace的具体结构和状态。通过调用链日志采集得到的trace数据，既包含了服务之间的动态依赖关系，也没有过多的冗余信息。因此trace分析对于高效地诊断分布式系统的故障是必要的。

现有的人工或者自动化的调用链分析方法，都依赖异常调用链的检测方法。人工调用链分析往往是对一条或者几条异常调用链进行可视化，基于专家经验人工判断故障的根因。自动化的调用链故障分析算法，例如MicroScope和TraceAnomaly，都是首先检测出所有的异常调用链，然后对每一条异常调用链应用根因定位算法。

只检测调用链中被调用到的每个服务的服务级指标(service-level objective，SLO，例如响应时间)是否存在异常。具体的方法为，统计历史数据中每个服务的SLO的分布，得到一个合适的SLO偏离的阈值。对于待检测的调用链，将每个服务的SLO与已得到的偏离阈值进行比较，从而判断每个服务是否发生SLO偏离(即异常)。