随着用户对应用服务的需求日益增加,传统的单体式架构已经不能支撑用户访问量增加所带来的系统负载压力。微服务架构成为高并发系统的主流架构。在微服务架构带来诸多优点的同时,也引入了运维困难的问题。一个高效的服务监控系统应在尽可能小的资源损耗下减少运维工作的难度。本文选题来自于企业科研项目,针对微服务化的 ISMP(Integrated Service Management Platform,综合业务管理平台)系统进行了服务监控相关的研究,包括服务节点监控以及服务调用链监控两个方面。针对服务节点监控,本文从单指标预测和多指标预测两个角度提出了两种容器负载预测模型用于服务节点的负载预测。第一种模型通过对负载数据进行集合经验模态分解,得到一组本征模函数,随后通过K-Shape算法进行聚类,为每一类分别建立基于神经网络的负载预测模型,最后将模型输出汇合,得到最终的预测结果。第二种模型通过卷积神经网络对多种负载数据进行相关性挖掘,再通过具有时域注意力机制的LSTM编解码器进行负载的预测。通过在开源的数据集上进行验证,结果表明,提出的容器负载预测算法比传统的LSTM等算法具有更高的预测精度。此外,本文结合ISMP系统特点,提出一种低消耗的服务调用链跟踪协议。通过在运行期将系统的服务跟踪消息合并,减少了服务跟踪引入的资源开销。在系统测试部分通过实验与开源跟踪工具Zipkin进行对比,验证了服务调用链跟踪协议的有效性。最后,本文基于提出的两种服务节点预测模型与服务调用链跟踪协议,设计并实现了服务监控系统,实际应用在综合业务管理平台系统的服务监控中。