STAR:面向端到端事件管理的时间上下文与服务图自适应规范化

10 十一月 20266 视图

STAR 框架通过指标、日志和追踪数据学习表示,并采用可训练的归一化方法,兼顾多尺度时间动态和服务间的依赖结构。在两个真实数据集上,与当前先进的基线方法相比,该流程在异常检测、故障排序和根因定位方面均实现了稳定的性能提升。

STAR:面向端到端事件管理的时间上下文与服务图自适应规范化

用途与任务框架

STAR(Spatial-Temporal Adaptive Representation learning,时空自适应表示学习)是一种研究框架。它通过微服务可观测性多模态数据学习表示。该框架处理指标、日志和追踪数据。该方法支持微服务架构中的端到端事件管理。

这项工作指出了两个复杂性来源:

  • 非平稳的时间动态;
  • 服务之间异构的依赖结构。

STAR 基于这些模态构建自适应表示。该框架在统一的学习框架中考虑时间上下文和服务图。

实用判断标准:当事件管理需要联合分析指标、日志、追踪数据和服务依赖关系时,可以考虑该方法。

两种自适应归一化机制

STAR 使用两种相互关联的机制。它们根据上下文对数据进行归一化。

机制归一化对象依据作用
Temporal Adaptive Normalization (TAN)多变量时间序列多尺度时间上下文适应非平稳的时间动态
Spatial Adaptive Normalization (SAN)服务依赖图数据服务之间的连接结构面向结构的归一化

在 STAR 中,归一化是一种可学习的变换。该变换由上下文决定,并与微服务系统的属性保持一致。TAN 和 SAN 相互关联。

实用判断标准:如果时间动态和依赖结构都很重要,就需要同时包含这两种机制的方案。

端到端自监督流程

STAR 将自适应表示整合到一个统一的自监督框架中。该流程为三项任务提供端到端的无监督支持。

  • AD — 异常检测;
  • FT — 故障分诊;
  • RCL — 根因定位。

STAR 在同一框架中支持 AD、FT 和 RCL。

实用判断标准:如果事件管理涵盖检测、分诊和定位,统一的无监督流程可以支持这些任务。

实验验证

作者在两个真实的微服务基准上验证了 STAR。验证结果如下:

  • 该框架优于所有最先进的基线方法;
  • 在三项任务上均取得了显著且稳定的改进;
  • 验证任务:AD、FT 和 RCL。

实用判断标准:评估时应考虑对全部三项任务的覆盖情况,以及与最先进方法的比较。

版本与作者

STAR 论文包含以下信息:

  • 作者:Xinhua Miao、Linyu Zhu、Bowei Yang、Zhengong Cai;
  • v1:2026年9月12日;
  • v2:2026年10月19日,最新版本;
  • arXiv:2609.31645。

实用判断标准:请以 v2 为准核对详情,并注明 arXiv:2609.31645。

常问问题

STAR:面向端到端事件管理的时间上下文与服务图自适应规范化