ARMOR 不把指标、日志或调用链缺失当作边缘情况，而是将其视为生产环境中的基本条件。它按不同遥测数据的物理结构分别学习表示，显式标记缺失输入，在融合时抑制误导性的占位信息，并通过自监督重构训练一套共享故障表示。

非对称编码为稠密指标和稀疏事件流分配不同的模型容量。
缺失感知路由占位表示标识缺失，负向偏置限制其影响。
统一故障诊断一套表示支撑异常检测、故障分类与根因排序。

1. 智能运维中容易被忽略的故障

微服务故障诊断通常结合三类遥测数据：连续的资源与服务指标、半结构化日志、分布式调用链。多数多模态系统默认三者始终齐全。真实环境中，采集代理可能崩溃，网络可能阻断 exporter，采样会丢弃调用链，配置错误也会让通道停止上报。

用零补齐并不是中性操作。一个缺失指标被填成零，可能恰好像服务处于健康空闲状态，模型反而会高置信地读出一条“伪正常信号”。如果过早或僵硬地融合多类数据，一个缺失模态还会污染另外两个尚且有效的模态。

2. 如何形式化不完整观测

对每个服务实例，ARMOR 接收指标 \(X^{M}\)、日志 \(X^{L}\) 与调用链 \(X^{T}\)。观测掩码记录哪些数据流实际可用：

观测状态与诊断映射
\[ O=[o^{M},o^{L},o^{T}]\in\{0,1\}^{3}, \qquad F_{\theta}:(\widetilde X,O)\mapsto(y,s,P). \]

输出分别是异常状态 \(y\)、故障类型 \(s\)，以及服务实例上的根因概率分布 \(P=[p_1,\ldots,p_N]\)。显式输入 \(O\)，模型才能区分“没有采到数据”和“真实数值为零”。

ARMOR 端到端故障诊断流程
三类数据流按时间对齐指标、日志事件计数与调用链统计。
非对称编码器各模态独立学习，模型容量与数据结构相匹配。
缺失感知门控注入缺失标记，并降低不可靠输入的路由权重。
拓扑传播沿服务依赖关系，用图注意力交换故障证据。
三个任务检测异常、判断故障类型、排序根因实例。
该图由网页原生元素重绘。核心区别在于：先在模态内部学习，再在模态之间谨慎路由。

3. 机制一：模态专用状态学习

指标稠密、连续且通常维度较高，日志和调用链则是稀疏事件摘要。完全对称的编码器可能对稀疏事件过拟合，也可能无法充分表达波动复杂的指标。ARMOR 因此给指标分配更深、容量更高的时序模块，日志与调用链采用轻量模块。

在每个模态 \(m\) 内，特征提取分为三个层次：

\[ H_{m,\mathrm{temp}}=\operatorname{DepthwiseConv}(X_m), \] \[ H_{m,\mathrm{chan}}=\operatorname{PointwiseConv}_{\mathrm{chan}}(H_{m,\mathrm{temp}}), \] \[ H_m=\operatorname{PointwiseConv}_{\mathrm{inst}}(\operatorname{Permute}(H_{m,\mathrm{chan}})). \]

大卷积核的深度卷积捕捉内存泄漏等长期时序变化，通道混合表达延迟与 I/O 同时升高等关联，实例混合则初步建立空间关系，同时避免不同模态过早互相干扰。

4. 机制二：缺失感知全局融合

各模态表示先被投影到统一维度。若模态 \(k\) 缺失，ARMOR 不会把零向量伪装成正常观测，而是放入可学习的缺失标记 \(E_{\mathrm{miss}}\)，再加入模态身份向量：

\[ v'_k=o_kv_k+(1-o_k)E_{\mathrm{miss}}+E_{\mathrm{mod},k}. \]

多头注意力先建模模态间关系，随后第二层门控决定每个模态应贡献多少。关键约束是，缺失偏置必须为负：

动态抑制缺失模态
\[ s_k=W_sU_k+(1-o_k)b_k^{\mathrm{miss}}, \qquad b_k^{\mathrm{miss}}<0, \] \[ \alpha_k=\operatorname{softmax}(s_k), \qquad E=\sum_{k\in\{M,L,T\}}\alpha_kU_k. \]

占位表示回答“发生了什么”：遥测缺失；负向偏置回答“模型应如何处理”：把注意力转向仍然可靠的证据。惩罚按模态分别学习，因此高维指标缺失时，可以比稀疏事件流缺失受到更强抑制。

最后，ARMOR 在微服务调用拓扑上运行多头图注意力网络。根因证据可以沿真实依赖关系传播，而不是在互不相关的服务实例间简单平均。

5. 机制三：自监督学习正常运行规律

离线训练只使用无异常遥测，并随机丢弃整类模态。模型根据剩余数据流和相邻服务，预测完整的下一时刻 \(\widehat X^{(T+1)}\)。两个重构损失提供不同监督：

\[ \mathcal L_{\mathrm{obs}} =\frac{1}{|O|}\left\|\bigl(\widehat X^{(T+1)}-X^{(T+1)}\bigr)\odot O\right\|_F^2, \] \[ \mathcal L_{\mathrm{miss}} =\frac{1}{|1-O|}\left\|\bigl(\widehat X^{(T+1)}-X^{(T+1)}\bigr)\odot(1-O)\right\|_F^2, \] \[ \mathcal L=\mathcal L_{\mathrm{obs}}+\lambda\mathcal L_{\mathrm{miss}}. \]

观测损失用于学习正常运行规律，掩码损失迫使模型完成跨模态、跨实例推断，例如根据调用量和相邻服务估计 CPU 状态。在线阶段，ARMOR 将重构偏差与潜在状态拼接为统一故障表征。异常检测与根因定位不需要故障标签，故障分类的下游分类器使用故障类型标签。

6. 实验证明了什么

论文使用两个业界常用微服务数据集，并设置三种缺失粒度：整类模态、特征通道和单个元素。完整数据实验首先确认，鲁棒性并不是以牺牲正常场景性能换来的。

完整遥测条件下，ARMOR 与最强统一自监督基线的比较
数据集方法AD F1FT F1RCL Avg@5
数值绝对差值数值绝对差值数值绝对差值
\(\mathcal D_1\)ART0.9420.8120.776
\(\mathcal D_1\)ARMOR0.961+0.0190.938+0.1260.910+0.134
\(\mathcal D_2\)ART0.9170.8020.870
\(\mathcal D_2\)ARMOR0.997+0.0800.869+0.0670.893+0.023

整类模态缺失时，ARMOR 在两个数据集的所有场景下都优于 ART。指标缺失造成的冲击最大，因为高维指标占位会产生最强的伪正常干扰。在这一场景下，ARMOR 的根因定位准确率在两个数据集上均比 ART 高出 60% 以上。

更细粒度的实验把模态、通道和元素缺失率从 0% 提高到 40%，每个点使用十组随机掩码重复测试。ARMOR 在三个任务、两个数据集、三类缺失粒度下都保持更强表现，说明该机制不仅能处理训练时模拟的整类缺失，也能应对间歇性和局部数据损坏。

0.961 / 0.997完整遥测下，\(\mathcal D_1\) 与 \(\mathcal D_2\) 上的异常检测 F1。
0.938 / 0.869两个数据集上的故障分类 F1，均超过 ART。
>60%指标模态缺失时，相对 ART 的根因定位准确率优势。

消融实验也与机制设计一致。把缺失感知门控换成均值融合、把可学习占位换成零填充、或者取消模态丢弃训练，都会降低性能；去掉或替换图注意力主要影响根因定位，符合服务拓扑模块的预期作用。

7. 适用边界与后续问题

ARMOR 假设离线历史档案足够完整，能够为人工掩码通道提供重构目标。如果某个模态在历史数据中长期缺失，这一训练信号会减弱。当前服务拓扑也来自历史调用链，若实例频繁创建与销毁，需要及时更新。跨实例对比学习与增量图学习是自然的后续方向。

ARMOR 本身不是自主智能体。它提供的是智能体服务所需的可靠运行底座：理解遥测结构，在观测基础设施失效时继续诊断，并显式区分缺失证据与正常数值。

相关方向

Agentic Services Computing ↗智能体服务研究