COMPARATIVE ANALYSIS OF SEQUENCE-BASED AND GRAPH-BASED DEEP LEARNING FOR ANOMALY DETECTION IN MICROSERVICE TRACES

Yesset Zhussupov; Ainur Zhumadillayeva; Shona Shinassylov; Ainur Amirtayeva

doi:10.26577/jpcsit4220265

Автор(и)

Yesset Zhussupov L.N. Gumilyov Eurasian national university, Astana, Kazakhstan https://orcid.org/0009-0001-0946-8094 (неавтентифікований)
Ainur Zhumadillayeva L.N. Gumilyov Eurasian national university, Astana, Kazakhstan https://orcid.org/0000-0003-1042-0415 (неавтентифікований)
Shona Shinassylov Al-Farabi Kazakh National University, Almaty, Kazakhstan https://orcid.org/0009-0002-5491-7255 (неавтентифікований)
Ainur Amirtayeva Al-Farabi Kazakh National University, Almaty, Kazakhstan https://orcid.org/0009-0008-4579-287X (неавтентифікований)

DOI:

https://doi.org/10.26577/jpcsit4220265

Ключові слова:

microservice architecture, anomaly detection, graph neural networks, LSTM, distributed tracing, deep learning, observability

Анотація

Монолиттіден микросервистік архитектураға көшу жүйенің бақылау мүмкіндігінің күрделілігін айтарлықтай арттырды. Таратылған бақылау қызметаралық өзара әрекеттесуді бақылаудың маңызды құралы ретінде пайда болды, бірақ дәстүрлі аномалияны анықтау әдістері көбінесе осы жүйелерге тән күрделі құрылымдық қатынастарды анықтай алмайды. Бұл мақалада микросервистік іздердегі аномалияны анықтау үшін Графтық Нейрондық Желілер (GNN) сияқты графикалық терең оқыту әдістерімен тізбекке негізделген машиналық оқыту тәсілдерінің, атап айтқанда, ұзақ қысқа мерзімді жад (LSTM) желілерінің кешенді салыстырмалы талдауы ұсынылған. Біз бұл парадигмаларды үш маңызды өлшем бойынша бағалаймыз: құрылымдық хабардарлық, анықтау дәлдігі және есептеу тиімділігі. DeepTraLog және TraceVAE сияқты соңғы құрылымдардан алынған талдауымыз графтық модельдердің жоғары құрылымдық дәлдікті қамтамасыз ететінін және жоғары өлшемді телеметрия деректері үшін масштабталуды сақтай отырып, жоғары дәлдіктегі еске түсіру көрсеткіштеріне қол жеткізетінін көрсетеді. Зерттеу нәтижелері GNN негізіндегі тәсілдердің F1 ұпайларын 0,954-ке дейін жеткізетінін, әдетте F1 ұпайларын 0,741 шамасында алатын тізбекке негізделген баламалардан айтарлықтай асып түсетінін көрсетеді. Бұл нәтижелер бұлтқа негізделген қосымшаларға арналған келесі буын бақылау платформаларын жобалау үшін маңызды салдарға әкеледі.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

автор Yesset Zhussupov , афіліація L.N. Gumilyov Eurasian national university, Astana, Kazakhstan

Yesset Zhussupov is a PhD student in Software Engineering at L.N. Gumilyov Eurasian National University (Almaty, Kazakhstan; yesset.zhussupov@gmail.com). He received his MSc in Software Engineering from the same university in 2022. Mr. Zhussupov serves as Chief Technology Officer at an AFSA-licensed brokerage organization, where he architects systems integrating big data and machine learning technologies. His research focuses on neural network applications in finance and economics, with particular emphasis on market forecasting and predictive modeling. His recent work includes the paper "Study of the Possibilities of Using Deep Artificial Intelligence in Forecasting the Green Paper Market in Kazakhstan." In 2015, he received the Intel Excellence Award for his work applying neural networks to computer vision–based emotion recognition.
автор Ainur Zhumadillayeva, афіліація L.N. Gumilyov Eurasian national university, Astana, Kazakhstan

PhD Dr. Ainur Zhumadillayeva is an Associate Professor of Associate Professor of Computer and Software Engineering at L. N. Gumilyov Eurasian National University (Astana, Kazakhstan). She received her PhD degree in the specialty *05.13.18 – Mathematical Modeling, Numerical Methods, and Software Packages* from the Institute of Mathematics of the Ministry of Education and Science of the Republic of Kazakhstan (Almaty) in 2010. Ainur Zhumadillayeva is the author and coauthor of educational publications and scientific monographs and has published more than 60 scientific and educational-methodical works in Kazakhstan and abroad, including publications indexed in international databases such as Scopus and Clarivate Analytics. Her research interests include mathematical modeling, numerical methods, machine learning, and artificial neural networks. She is a Member of the Institute of Electrical and Electronics Engineers (IEEE).
автор Shona Shinassylov, афіліація Al-Farabi Kazakh National University, Almaty, Kazakhstan

Shona Shinassylov is a Researcher and Lecturer at the Faculty of Information Technology and Artificial Intelligence, Al-Farabi Kazakh National University, Almaty, Kazakhstan. He received his Master's degree in Information Technology from Al-Farabi Kazakh National University and completed his doctoral studies in 2025. His research interests include digital twins, artificial intelligence, machine learning, deep reinforcement learning, smart buildings, the Internet of Things (IoT), energy management systems, and intelligent decision-support systems. His current research focuses on the design and development of virtual prototypes of smart building energy management systems based on digital twin technologies, machine learning methods, and multi-objective reinforcement learning.
автор Ainur Amirtayeva, афіліація Al-Farabi Kazakh National University, Almaty, Kazakhstan

Ainur Amirtayeva is a Master's student in the dual-degree program between Al-Farabi Kazakh National University (KazNU) and Northwestern Polytechnical University (NWPU) (Almaty, Kazakhstan; amirtayevaainur@gmail.com). She received her Bachelor's degree in Information Security Systems from Al-Farabi Kazakh National University. Her academic and professional interests include cybersecurity, artificial intelligence, machine learning, deep learning, neural networks, parallel and distributed programming, phishing detection, computer vision, network traffic analysis, intrusion detection systems, and the application of AI in healthcare. Her research focuses on the development of intelligent information security systems, the application of neural networks, and the use of parallel computing techniques to improve machine learning algorithms.