微服务架构下的方法级无侵入调用链路追踪方法技术

本申请公开了一种微服务架构下的方法级无侵入调用链路追踪方法、系统和电子设备，其通过基于上下文的编码器和时序编码器来获取在时序维度上各个服务器的日志数据之间的隐含关联特征以及各个服务器的日志数据在各个时间点之间的关联特征，以得到第一特征图和第二特征图，并进一步计算这两个特征图之间的特征流形维度分布相似性因数损失函数值来训练模型参数，可以通过高维特征分布的几何相似性的约束来优化特征流形之间具有关联的局部特征描述，以使得融合后的特征图能够减轻由于高维特征空间的空间复杂性导致的融合后特征稀疏度，从而增强融合后的所述特征图的分类能力。这样，就可以对所述微服务架构是否被入侵进行准确地检测。进行准确地检测。进行准确地检测。

Method level non intrusive call link tracing method under microservice architecture

【技术实现步骤摘要】
微服务架构下的方法级无侵入调用链路追踪方法


[0001]本申请涉及微服务架构领域，且更为具体地，涉及一种微服务架构下的方法级无侵入调用链路追踪方法、系统和电子设备。

技术介绍

[0002]随着微服务架构的流行，各个服务被解耦拆分的更加细致，一次请求往往需要涉及到多个服务的执行结果。而且这些服务可能是由不同的团队使用不同的编程语言来实现，并且部署在多台服务器，横跨多个不同数据中心，这些使得分布式系统变得日趋庞大与复杂。因此，当需要对系统性能、容量、调用依赖进行分析时，将会变得异常困难，同时，一旦客户端发起的请求失败，也很难定位到具体哪个服务出现问题。
[0003]但是，传统的解决方案为通过介入各服务所在的服务器，通过肉眼观测压测时当前服务器性能指标，并且通过海量日志分析，进行问题定位。然而，这种方案存在以下几个缺陷：需要多个部门同时配合，协调工作难度大；问题定位需要从源头一个服务一个服务往下分析，耗时耗力。
[0004]因此，期待一种优化的微服务架构下的调用链路追踪方案来实现无侵入的问题服务器检测。
[0005]目前，深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微服务架构下的方法级无侵入调用链路追踪方法，其特征在于，包括：训练阶段，包括：获取微服务架构中各个服务器在各个预定时间点的日志数据；将各个时间点的所有所述服务器的日志数据通过包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个时间点的所有所述服务器的第一特征向量；将各个时间点的所有所述服务器的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图；将各个所述服务器在各个预定时间点的日志数据通过包含一维卷积层和全连接层的时序编码器以获得对应于各个所述服务器的第二特征向量；将各个所述服务器的第二特征向量进行二维排列为特征矩阵后通过第二卷积神经网络以获得第二特征图；计算所述第一特征图和所述第二特征图之间的特征流形维度分布相似性因数损失函数值，所述特征流形维度分布相似性因数损失函数值为以所述第一特征图和所述第二特征图之间的余弦距离除以所述第一特征图和所述第二特征图之间的欧式距离之商的一半的负值为幂的自然指数函数值；融合所述第一特征图和所述第二特征图以获得分类特征图；将所述分类特征图通过分类器以获得分类损失函数值；以及计算所述分类损失函数值和所述特征流形维度分布相似性因数损失函数值之间的加权和作为损失函数值来训练所述上下文编码器、所述时序编码器、所述第一卷积神经网络和所述第二卷积神经网络；以及推断阶段，包括：获取微服务架构中各个服务器在各个预定时间点的日志数据；将各个时间点的所有所述服务器的日志数据通过经训练阶段训练完成的所述包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个时间点的所有所述服务器的第一特征向量；将各个时间点的所有所述服务器的第一特征向量进行二维排列为特征矩阵后通过经训练阶段训练完成的所述第一卷积神经网络以获得第一特征图；将各个所述服务器在各个预定时间点的日志数据通过经训练阶段训练完成的所述包含一维卷积层和全连接层的时序编码器以获得对应于各个所述服务器的第二特征向量；将各个所述服务器的第二特征向量进行二维排列为特征矩阵后通过经训练阶段训练完成的所述第二卷积神经网络以获得第二特征图；融合所述第一特征图和所述第二特征图以获得分类特征图；以及将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示所述微服务架构是否被入侵。2.根据权利要求1所述的微服务架构下的方法级无侵入调用链路追踪方法，其中，将各个时间点的所有所述服务器的日志数据通过包含嵌入层的上下文编码器以获得多个特征向量，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将各个时间点的所有所述服务器
的日志数据转化为输入向量以获得输入向量的序列；以及使用所述基于上下文的编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。3.根据权利要求2所述的微服务架构下的方法级无侵入调用链路追踪方法，其中，将各个时间点的所有所述服务器的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征图，包括：将各个时间点的所有所述服务器的第一特征向量进行二维排列为特征矩阵；以及所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述第一特征图，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。4.根据权利要求3所述的微服务架构下的方法级无侵入调用链路追踪方法，其中，将各个所述服务器在各个预定时间点的日志数据通过包含一维卷积层和全连接层的时序编码器以获得对应于各个所述服务器的第二特征向量，包括：将各个所述服务器在各个预定时间点的日志数据按照时间维度排列为对应于各个所述服务器的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘；使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。5.根据权利要求4所述的微服务架构下的方法级无侵入调用链路追踪方法，其中，计算所述第一特征图和所述第二特征图之间的特征流形维度分布相似性因数损失函数值，包括：以如下公式计算所述第一特征图和所述第二特征图之间的特征流形维度分布相似性因数损失函数值；其中，所述公式为：其中cos(F1,F2)表示所述第一特征图F1与所述第二特征图F2之间的余弦距离，d(F1,F2)表示第一特征图F1与第二特征图F2之间的欧式距离。6.根据权利要求5所述的微服务架构下的方法级无侵入调用链路追踪方法，其中，融合所述第一特征图和所述第二特征图以获得分类特征图，包括：
以如...

【专利技术属性】
技术研发人员：梁浩，程莉红，杨伟伟，刘祯，李舒婷，王辉华，周劼翀，黄健，谭兵，
申请(专利权)人：福建福清核电有限公司，
类型：发明
国别省市：