Е.А. Шамарина1, А.И. Гусева2, С.Д. Кулик3
1–3 Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)

1 ek-polit@yandex.ru, 2 aiguseva@mephi.ru, 3 sedmik@mail.ru

Постановка проблемы. Анализ логов, генерируемых сервисами микросервисных систем, становится важной задачей при обеспечении стабильности и предсказуемости работы. Быстрое увеличение числа сервисов, разнообразие форматов логов, высокая доля зашумленности и постоянное изменение потока информации приводят к усложнению применения традиционных методов анализа, основанных на статических правилах, регулярных выражениях и ручной классификации событий. Современные методы машинного обучения являются одним из наиболее перспективных решений для быстрой адаптации к изменяющимся структурам логов. Актуальной остается задача выбора оптимальных нейросетевых архитектур для условий, характерных для микросервисных систем: больших потоков событий, неоднородности данных, ограничений по времени отклика и необходимости устойчивости к изменениям форматов.

Цель. Провести экспериментальную проверку нейросетевых моделей для автоматической классификации и обнаружения аномалий в логах микросервисных систем.

Результаты. Проанализированы пять нейросетевых моделей, обученных на общей подвыборке примерно из 800 логов, содержащей три типа событий: normal, error и anomaly. Отмечено, что все модели обучались в одинаковых условиях и оценивались по метрикам precision (точность), recall (полнота) и F1-score. Показано, что наилучший результат достигла мультимодальная ансамблевая модель (F1 = 0,86), объединяющая текст логов и числовые метрики (latency, retries, db_latency). Выявлено, что такой подход позволил учитывать как смысловую составляющую сообщений, так и параметры инфраструктуры, что улучшило обнаружение комплексных аномалий. Установлено, что полученный эффект соответствует зарубежным исследованиям, где мультимодальные архитектуры демонстрируют преимущество 15–25% по точности над однотипными моделями.

Практическая значимость. Результаты исследования могут быть использованы при разработке и внедрении систем мониторинга для микросервисных архитектур. Это обеспечит повышение скорости обнаружения ошибок и аномалий, а также облегчит выбор наиболее подходящей нейросетевой модели для конкретной среды эксплуатации, исходя из особенностей логирования, нагрузки и требований к времени отклика.

Шамарина Е.А., Гусева А.И., Кулик С.Д. Оценка нейросетевых методов для поиска аномалий в логах систем с микросервисной архитектурой // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 54–67. DOI: https://doi.org/10.18127/j19998554-202604-05

1. Microservices architecture market report by component (solutions, service), deployment type (on-premises, cloud-based), organization size (large enterprises, small and medium-sized enterprises), industry vertical (BFSI, manufacturing, retail and E-commerce, IT and telecom, healthcare, government, and others), and region 2025-2033. 2025.
2. KITRUM. Is microservice architecture still a trend? [Электронный ресурс] / URL: https://kitrum.om/blog/is-microservice-architecture-still-a-trend/ (дата обращения: 28.10.2025).
3. Shkodyrev V.P., Yagafarov K.I., Bashtovenko V.A. et al. The overview of anomaly detection methods in data streams // Proceedings of the Second Conference on Software Engineering and Information Management (SEIM-2017). Saint Petersburg, Russia. 2017. P. 7 [Электронный ресурс] / URL: https://ceur-ws.org/Vol-1864/paper_33.pdf (дата обращения: 28.11.2025).
4. Дьяконов А.Г., Головина А.М. Выявление аномалий в работе механизмов методами машинного обучения // Труды XIX Междунар. конф. «Аналитика и управление данными в областях с интенсивным использованием данных». Москва. 2017. С. 389–396.
5. Щеглеватых Р.В., Сысоев А.С. Математическая модель обнаружения аномальных наблюдений с использованием анализа чувствительности нейронной сети // Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 1. Id 725 [Электронный ресурс] / URL: https://moit.vivt.ru/wp-content/uploads/2020/02/ScheglevatychSysoev_1_20_1.pdf.
6. Wang S., Balarezo J.F., Kandeepan S. et al. Machine learning in network anomaly detection: Survey // IEEE Access. 2021. V. 9. DOI: 10.1109/ACCESS.2021.3126834.
7. Ardabili S., Mosavi A., Várkonyi-Kóczy A.R. Advances in machine learning modeling reviewing hybrid and ensemble methods // International conference on global research and education. Cham: Springer International Publishing. 2019. P. 215–227.
8. Шкодырев В.П., Ягафаров К.И., Баштовенко В.А. и др. Обзор методов обнаружения аномалий в потоках данных // Сб. трудов Шестнадцатой Междунар. конф. «Управление развитием крупномасштабных систем (MLSD'2023). М.: Институт проблем управления им. В.А. Трапезникова РАН. 2023. С. 763–767. DOI: 10.25728/mlsd.2023.0763.
9. Журавлев В.В. Обзор различных алгоритмов машинного обучения в задачах обнаружения и исправления ошибок данных // Universum: технические науки: Электрон. науч. журнал. 2024. № 8 (125). DOI: 10.32743/UniTech.2024.125.8.18127.
10. Шелухин О.И., Костин Д.В. Мониторинг аномальных состояний компьютерных систем средствами интеллектуального анализа данных системных журналов // Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 2. С. 53–65.
11. Li Y., Chen X., Jin R. et al. Deep autoencoding models for unsupervised anomaly detection in system logs // arXiv:1804.04488v1. 2019.
12. Lu S., Wei L. Detecting anomaly in big data system logs using convolutional neural network // IEEE 16th International Conference on Dependable, Autonomic and Secure Computing. Athens, Greece. 2018. P. 151–158.
13. Du M., Li F., Zheng G. et al. DeepLog: Anomaly detection and diagnosis from system logs through deep learning // Proceedings of the ACM Conference on Computer and Communications Security (CCS). 2017.
14. Guo H., Li Z., Zhao J. et al. LogBERT: Log anomaly detection via BERT // International Joint Conference on Neural Networks (IJCNN). Shenzhen, China. 2021. P. 1–8.
15. Xu W., Jiang J., Wang C. et al. Multi-modal anomaly detection using logs and system metrics. 2022.
16. Sakurada M., Yairi T. Anomaly detection using autoencoders // Proceedings of the MLSDA 2014 2nd Workshop on Machine Learning for Sensory Data Analysis. 2014. P. 4–11.
17. Liu F.T., Ting K.M., Zhou Z.-H. Isolation Forest // Eighth IEEE International Conference on Data Mining. Pisa, Italy. 2008. P. 413–422.
18. Yumoto S., Kitsukawa T., Moro A. et al. Anomaly detection from images in pipes using GAN // Robomech Journal. 2023. № 10. DOI: 10.1186/s40648-023-00246-y.
19. Жиленков А.А., Силкин А.А., Серебряков М.Ю., Колесова С.В. Сравнительный анализ систем глубокого обучения с подкреплением и систем обучения с учителем // Известия ТулГУ. Технические науки. 2022. № 10. С. 109–112.
20. Дубровина А.И. Гибридный метод моделирования систем искусственного интеллекта для выявления кибератак // Вестник Дагестанского государственного технического университета. Технические науки. 2025. Т. 52. № 2. С. 81–89. DOI: 10.21822/ 2073-6185-2025-52-2-81-89.