随着微服务的发展和机器学习在各个领域的广泛应用,智能化的微服务指标异常检测成为工业界新的研究热点。传统基于静态阈值的异常检测规则人工配置成本高,并且当业务场景发生变化时,阈值也要对应变化,已经不能很好满足复杂场景下的微服务异常检测的需求。当前的异常检测算法大多是无监督学习,其检测效果不佳。若使用有监督学习,虽然异常检测效果好,但是获取标签数据的成本太高。本文为降低配置微服务异常检测规则的成本,结合实际需求,设计并实现了一个基于集成学习的微服务异常检测系统。本文主要工作如下:（1）设计了一种低耦合度的异常检测系统架构。在技术实现上采用微服务架构的设计模式,实现前后端分离、后端组件化和多实例部署,保证了系统的可扩展性和可用性。使用任务机制将后端分为三个组件:API Server、Scheduler和Processor,分别负责任务管理、任务调度和训练检测,降低了组件之间的耦合度。（2）提出了一种无监督集成学习和有监督集成学习相结合的异常检测方案。集成i Forest、OCSVM和LOF三种无监督学习,对原始的时序数据生成冷启动标签。冷启动完毕后,使用随机森林算法对有标签的时序数据进行训练,得到异常检测模型。实验结果表明,无监督学习在集成优化后生成的标签质量相较于集成前有显著提升,并且随着用户不断对异常检测结果进行反馈,模型检测效果会越来越好。（3）实现了一个实用的微服务异常检测系统。按功能划分为两个模块:训练检测模块和任务管理与调度模块。训练检测模块的功能包括时序数据预处理、生成冷启动标签、训练检测模型和执行异常检测,由Processor负责实现。任务管理与调度模块的功能包括任务管理、任务调度和任务反馈,由API Server和Scheduler负责实现。实现了简洁的前端页面,提供了任务管理和反馈的入口。对系统的功能需求和非功能需求进行了测试,并对异常检测结果进行了分析,验证了该系统的有效性和实用性。