KDD2025 | FUSION：北大力作，首次在小波域实现多模态融合，用扩散模型破解微服务故障诊断难题！

时序大模型

于 2025-08-21 11:20:25 发布

阅读量848

点赞数 21

CC 4.0 BY-SA版权

文章标签：人工智能 KDD2025 时间序列小波域多模态融合扩散模型微服务

本文链接：https://blog.csdn.net/sxdmx12345/article/details/150578641

本篇论文来自KDD2025第二轮，最新前沿时序技术，首次在小波域实现多模态融合，结合频域与时域特征，提出FUSION框架，通过多模态频域融合和不确定性时空建模，显著提升微服务异常检测性能。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，全部73篇KDD2025(1+2轮)前沿时序合集小时已经整理好了，在功🀄浩“时序大模型”发送“资料”扫码回复“KDD2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：Enhancing Microservices Anomaly Detection via Multimodal Data Fusion in the Wavelet Domain and Spatiotemporal Graph-based Diffusion Probabilistic Model

论文作者：Kaiqi Ding、Yuanmu Ma、Zijian Song、Kaigui Bian

研究背景

微服务架构在现代软件系统中广泛应用，但系统规模扩大和复杂性增加使异常检测成为关键难题。异常可能导致数据丢失、业务中断等严重后果，因此 AWS、Azure 等云服务商均投入大量资源研究相关技术。现有方法存在两大核心缺陷：

多模态数据挖掘不充分：多数方法仅采用简单拼接的早期融合或局限于双模态（指标与日志）的注意力融合，忽视三模态（指标、日志、追踪）协同分析；且缺乏频域分析，难以捕捉非平稳数据的周期性模式，仅靠时域分析无法全面反映数据复杂性。
时空特征学习不足：现有模型多为确定性预测，未考虑微服务数据因多源、复杂依赖产生的不确定性；同时对服务调用依赖（空间关系）和时间动态变化的建模不完整，部分模型忽略 temporal 特征或 spatial 依赖。

因此提出了一个新的框架-FUSION，以解决上述提到的问题

模型框架

FUSION 框架整合了小波域多模态融合与不确定性感知的时空集成，分为三个关键阶段：

1. 多模态数据序列化：

指标序列化：将多维时间序列数据标准化为统一格式。
日志序列化：通过 Drain3 提取日志模板，结合 BERT 嵌入和 DBSCAN 聚类，将日志转换为时序特征。
追踪序列化：从调用链中提取 latency、请求量等指标，构建时序表示。
数据融合：通过 Z-score 标准化和滑动窗口拼接，形成多模态联合特征。

2. 小波域多模态融合：

离散小波变换（DWT）：将多模态数据分解为高频细节系数（短期波动）和低频近似系数（长期趋势），捕捉频域特征。
皮尔逊相关注意力机制：计算跨模态变量的相关性，动态调整小波系数权重，强化关键信息
逆小波变换**（IDWT）：重构融合后的时域序列，保留频域增强特征。

3. 条件扩散网络

时空图构建：以服务实例为节点、调用关系为边，构建微服务拓扑图。
扩散概率模型（DDPM）：基于 U 型结构整合时序卷积（TCN）和图卷积（GCN），建模时空依赖；通过随机扩散步骤捕捉不确定性，实现非自回归多步预测。
异常评估：采用连续排序概率得分（CRPS）量化预测分布与实际值的偏差，结合动态阈值（NDT）识别异常。

实验数据

数据集与基线：在三个公开数据集（AIOPS 2022、GAIA、SocialNetwork）和一个真实邮件系统（MMS）上验证，对比 9 种基线方法（如 TraceVAE、DeepTraLog、MSTGAD 等）。

重点实验结果：

检测精度：F1-score 在四个数据集上分别提升 2.70%-129.27%、3.62%-137.37%、2.70%-86.16% 和 10.21%-168.83%，在 MMS 数据集上达到 93.0%。
噪声鲁棒性：在F1-score 下降幅度仅为 1.82%-7.09%，显著低于基线方法。
效率：通过非自回归预测和选择性采样策略，平衡性能与计算成本，满足在线诊断需求，训练和检测时间优于多数多模态基线。

消融实验：移除小波域融合后，MMS 数据集 F1-score 下降 16%；移除 U 型结构、时空建模组件均导致显著性能衰退，证明各组件必要性。

小小总结

首次在小波域实现多模态融合，结合频域与时域特征；提出基于时空图的扩散概率模型，同时建模时空依赖与不确定性；通过动态阈值机制提升鲁棒性。

FUSION 框架通过多模态频域融合和不确定性时空建模，显著提升微服务异常检测性能，尤其在复杂真实环境中表现优异。历史重构与未来预测双重功能支持故障诊断和预防性维护。

2025顶会前沿时序合集，攻🀄豪关注“时序大模型”，回复“资料”即可自取~

关注小时，持续学习前沿时序技术！