(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210433035.9 (22)申请日 2022.04.23 (71)申请人 福建福清核电有限公司 地址 350300 福建省福州市福清市三 山镇 (72)发明人 梁浩　程莉红　杨伟伟　刘祯　 李舒婷　王辉华　周劼翀　黄健　 谭兵　 (74)专利代理 机构 深圳知帮办专利代理有限公 司 44682 专利代理师 刘水明 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) H04L 9/40(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 微服务架构下的方法级无侵入调用链路追 踪方法 (57)摘要 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。 权利要求书4页 说明书16页 附图5页 CN 114821169 A 2022.07.29 CN 114821169 A 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权　利　要　求　书 1/4 页 2 CN 114821169 A 2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：权　利　要　求　书 2/4 页 3 CN 114821169 A 3