Paper《Robust Multimodal Failure Detection for Cloud-Native System》 —— AnoFusion

模型理解

GTN：学习多模态数据之间的关联性
GAT：赋予节点不同权重，以过滤特征，提取重要信息
GRU：简化的LSTM.学习时间依赖关系并且在T时间点做出value的预测

流程

1. Serialization: 将多模态数据全部转化为time series
2. Graph Stream Construction：在每个timeStamp t，建立一个异质图，形成Graph Stream
3. Feature Filtering：
   应用GTN，对Graph Stream进行update（学习节点的表示来捕捉多模态数据之间的关联），输出就是updated graph stream.
   应用GAT，对每个graph赋予权重分数，来区分不同的模式以及实现特征筛选

Graph Stream Construction

• 每一个Data channel相当于一个维度，N就是指标个数。
• Graph $G_T$由节点集$X_t$ 和 邻接矩阵$A$组成，每个时间点t，都会创建一个Graph。在整个时间流下，就得到了Graph Stream
  • $X_t$由这个时间点的所有data channels的值组成，即这个时间点的所有指标值。
  • $A\in R^{N\times N\times K}$ K是边种类的个数。$A$相当于是给每一类边，都建了一个邻接矩阵，然后具体的计算公式如下：