arXiv cs.AI· Yixiang Tang, Fagui Liu, Guoxiang Zhong, Xi Yao, C. L. Philip Chen·· 11 小时前AI 评分21
LLMMAD：基于大语言模型的自回归多模态微服务异常检测框架
Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems
AI 导读
研究者提出 LLMMAD，一个基于 LLM 的自回归多模态异常检测框架，用于微服务系统。该方法将多模态数据嵌入重组为统一序列以建模模态间关系，同时用各模态独立的重构头保留模态特有信息，并以预测未来状态的自回归目标消除“identity-shortcut”问题。在三个真实数据集上，LLMMAD 的 F1 分数分别比 SOTA 方法提升 3.1%、1.4% 和 0.9%。
正文 · AI 翻译
摘要：微服务系统已成为大规模云应用的主流架构，能够实现快速部署和弹性伸缩。然而，确保微服务系统的可靠性和可用性关键依赖于有效的异常检测，因为故障和性能异常会迅速在服务间传播，严重影响端到端系统行为。现有的微服务系统多模态异常检测方法常常面临两个根本性局限：(i) 为追求跨模态融合而忽视模态特定特征；(ii) 影响特征重建过程的“身份捷径”问题。为解决这些问题，我们提出 LLMMAD，一种基于大语言模型（LLM）的微服务系统自回归多模态异常检测框架。首先，为协调跨模态融合与模态特定信息保留，LLMMAD 将多模态数据嵌入并重组为统一序列供 LLM 处理，以建模模态间关系，同时采用按模态划分的重建头来保留模态特定信息。随后，为消除身份捷径，我们采用预测驱动的自回归目标，使模型预测未来状态而非复制当前输入。最后，我们在三个真实数据集上进行了大量实验。结果表明，LLMMAD 始终优于最先进的方法，F1 分数分别提升 3.1%、1.4% 和 0.9%，从而为微服务监控提供了更可靠的解决方案。
| 评论： | 14 页，8 幅图，7 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；软件工程（cs.SE） |
| 引用为： | arXiv:2610.31722 [cs.LG] |
| （或 arXiv:2610.31722v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.31722 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yixiang Tang [查看邮箱]
[v1]
2026 年 10 月 22 日星期四 09:59:34 UTC（1,327 KB）
来源：arXiv cs.AI · arxiv.org