微服务系统已成为大规模云应用的主流架构，能够实现快速部署和弹性扩容。然而，系统的可靠性和可用性高度依赖异常检测，因为单个服务的故障或性能异常会迅速在整个调用链上传播，导致端到端行为受损。现有的多模态异常检测方法主要存在两个根本性问题：一是过度强调跨模态融合，忽视了各模态的特征属性；二是出现“身份捷径”现象，使得特征重建过程退化为直接复制输入。
为了解决上述问题，我们提出了 LLMMAD——一种基于大语言模型（LLM）的自回归多模态异常检测框架。首先，LLMMAD 将不同模态的数据嵌入并重新组合为统一的序列，交由 LLM 处理，以捕获模态间的关系；同时，为每一模态配备独立的重建头，确保模态特有信息得以保留。随后，框架采用预测驱动的自回归目标，让模型预测未来状态而非复刻当前输入，从根本上消除身份捷径。
我们在三个真实微服务数据集上进行了大量实验。实验结果显示，LLMMAD 在 F1 分数上分别比最先进的方法提升了 3.1%、1.4% 和 0.9%，验证了其在微服务监控场景中的可靠性优势。
点评：LLMMAD 通过统一序列建模与模态专属重建的双重设计，兼顾跨模态交互与模态细节保留，并利用自回归预测避免了信息泄漏，展现出在实际微服务环境中的实用价值。