Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems?

📄 arXiv: 2501.02766v2 📥 PDF

作者: Fei Gao, Ruyue Xin, Xiaocui Li, Yaqiang Zhang

分类: cs.SE, cs.AI

发布日期: 2025-01-06 (更新: 2025-03-10)

备注: 6 pages, 5 figures, submitted to conference

💡 一句话要点

质疑GNN在微服务故障诊断中的有效性，提出拓扑无关的DiagMLP基线模型。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 微服务 故障诊断 图神经网络 多模态融合 基线模型 拓扑无关 可解释性

📋 核心要点

  1. 现有微服务故障诊断方法过度依赖GNN，但其有效性未经验证，预处理与架构贡献混淆。
  2. 提出DiagMLP，一个拓扑无关的多层感知机基线模型，用于隔离评估GNN的真实价值。
  3. 实验表明DiagMLP与SOTA的GNN方法性能相当，质疑了图结构在微服务故障诊断中的必要性。

📝 摘要（中文）

图神经网络(GNNs)因其建模服务依赖关系的能力而被广泛应用于微服务系统的故障诊断。然而，显式图结构的必要性仍未得到充分检验，因为现有的评估混淆了预处理和架构贡献。为了分离GNN的真正价值，我们提出了DiagMLP，一个刻意设计的、拓扑无关的基线模型，它保留了多模态融合能力，但不包含图建模。通过在五个数据集上的消融实验，DiagMLP在故障检测、定位和分类方面达到了与最先进的基于GNN的方法相当的性能。这些发现挑战了认为图结构不可或缺的普遍假设，揭示了：(i)预处理流程已经编码了关键的依赖关系信息，以及(ii)GNN模块的贡献略高于多模态融合。我们的工作提倡对架构复杂性进行系统性重新评估，并强调需要标准化的基线协议来验证模型创新。

🔬 方法详解

问题定义：现有基于GNN的微服务故障诊断方法，假设服务依赖关系图对于故障诊断至关重要。然而，这些方法通常将图结构建模与特征预处理融合在一起，难以区分GNN本身带来的增益。因此，现有方法的痛点在于无法确定GNN在故障诊断中的真实有效性，以及是否过度设计了模型结构。

核心思路：论文的核心思路是构建一个尽可能简单的、不依赖图结构的基线模型DiagMLP，该模型仅保留多模态融合能力，而去除图建模部分。通过与SOTA的GNN模型进行对比，评估GNN在微服务故障诊断中的实际贡献。如果DiagMLP能够达到与GNN相当的性能，则说明GNN的有效性可能被高估，预处理和多模态融合才是关键因素。

技术框架：DiagMLP的整体架构包括以下几个主要阶段：1) 数据预处理：对来自不同来源（例如日志、指标）的多模态数据进行清洗、转换和标准化。2) 特征提取：使用不同的特征提取器（例如，嵌入层、卷积神经网络）从不同的模态中提取特征。3) 多模态融合：将提取的特征进行融合，例如通过拼接或注意力机制。4) 故障诊断：使用多层感知机（MLP）对融合后的特征进行分类，预测故障类型或定位故障服务。

关键创新：最重要的技术创新点在于提出了DiagMLP这个拓扑无关的基线模型，用于评估GNN在微服务故障诊断中的真实价值。与现有方法的本质区别在于，DiagMLP完全去除了图结构建模，仅保留了多模态融合能力，从而可以更清晰地评估GNN的贡献。

关键设计：DiagMLP的关键设计包括：1) 输入特征：使用与GNN方法相同的预处理后的多模态特征，确保公平比较。2) 多模态融合：采用简单的拼接或注意力机制进行特征融合。3) 网络结构：使用标准的多层感知机（MLP）作为分类器，避免引入复杂的网络结构。4) 损失函数：使用交叉熵损失函数进行训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在五个不同的微服务故障诊断数据集上，DiagMLP的性能与SOTA的GNN模型相当，甚至在某些情况下略有提升。这表明，在这些数据集上，图结构建模并没有带来显著的性能提升，预处理和多模态融合才是关键因素。该研究挑战了GNN在微服务故障诊断中的必要性，并为未来的研究提供了新的方向。

🎯 应用场景

该研究成果可应用于微服务系统的自动化故障诊断，帮助运维人员快速定位和解决问题，提高系统的可用性和可靠性。通过简化模型结构，降低了计算成本，更易于部署到资源受限的环境中。未来的研究可以探索更有效的多模态融合方法，并进一步优化基线模型。

📄 摘要（原文）

Graph Neural Networks (GNNs) are widely adopted for fault diagnosis in microservice systems, premised on their ability to model service dependencies. However, the necessity of explicit graph structures remains underexamined, as existing evaluations conflate preprocessing with architectural contributions. To isolate the true value of GNNs, we propose DiagMLP, a deliberately minimal, topology-agnostic baseline that retains multimodal fusion capabilities while excluding graph modeling. Through ablation experiments across five datasets, DiagMLP achieves performance parity with state-of-the-art GNN-based methods in fault detection, localization, and classification. These findings challenge the prevailing assumption that graph structures are indispensable, revealing that: (i) preprocessing pipelines already encode critical dependency information, and (ii) GNN modules contribute marginally beyond multimodality fusion. Our work advocates for systematic re-evaluation of architectural complexity and highlights the need for standardized baseline protocols to validate model innovations.