Con la expansión de las aplicaciones basadas en microservicios con el tiempo, el número de microservicios aumenta, lo que resulta en un aumento del volumen de métricas de rendimiento. En consecuencia, la selección de las métricas de rendimiento apropiadas para la detección de anomalías se convierte en un desafío crítico. Dado que estas métricas de rendimiento suelen estar fuertemente correlacionadas con marcas de tiempo, forman datos de series temporales que comprenden pares de marca de tiempo-valor. Para abordar esto, proponemos SRdetector, un modelo basado en Transformer mejorado con características que adopta un enfoque de pronóstico de series temporales para detectar anomalías en microservicios. Además, integramos un mecanismo de ajuste de peso dinámico en el mecanismo de atención original de Transformer para asignar pesos a diferentes características de rendimiento y temporales. Esto permite que el modelo aprenda dinámicamente la importancia de varias características en diferentes intervalos de tiempo, sirviendo efectivamente como un método de selección de características para las métricas de rendimiento de microservicios. Finalmente, la detección de anomalías en microservicios se lleva a cabo evaluando los datos de métricas de rendimiento predichos en base a intervalos de confianza.