TM-HEDGE:面向数字服务网络的追踪链路重建技术OA

随着微服务架构在数字服务网络中的广泛应用,数字服务网络中服务节点规模的庞大和调用关系的复杂性给运维管理带来了严峻挑战。目前,分布式追踪技术在研究和应用领域已经取得显著进展。然而,该技术仍面临诸多限制,包括需要侵入系统源代码、依赖特定中间件,甚至在生成追踪路径时的准确性和完整性不足,导致调用链出现链路缺失,从而影响基于可观测数据进行下游分析任务的可靠性。为此,提出一种面向追踪-度量的异质动态图神经网络(TM-HEDGE)。首先,构建了引入度量数据的调用异质动态有向图,通过快照内异质注意力编码器和快照间Transformer编码器进行节点异质时空表征学习;然后,通过链路补全分类器实现缺失调用链的补全,进而完成追踪链路重建。实验结果表明,所提的TM-HEDGE在3个公开数据集上执行追踪链路重建任务的准确率相比现有链路补全模型平均提升了5.22%,显著提高了数字服务网络中调用链的完整性,为数字服务网络的高效治理提供了可靠的技术支持。