Dec, 2021

TransLog: 一种基于 Transformer 的统一框架用于日志异常检测

PDF
TL;DR我们提出了一种基于 Transformer 的日志异常检测方法，包括预训练和适配器调整阶段，旨在实现多领域的良好泛化性能，并在一个源域和两个目标域的三个数据集上取得了最先进的性能。
log anomaly detectionartificial intelligence for it operationstransformer-based frameworkadapter-based tuningstate-of-the-art performance
发现论文，激发创造
  • LogFormer: 日志异常检测的预训练和调试流程

    提出了一种用于日志异常检测的统一 Transformer 框架（LogFormer），通过预训练和适配器调优阶段建立起一个包括源领域和目标领域的共享语义知识的模型，使用了 Log-Attention 模块来补充日志配对忽略的信息，实验证明了这种方法在多个基准数据集上具有较少可训练参数和较低的训练成本。

    Jan, 2024

  • AIOps 驱动的无监督场景下日志异常检测的增强

    本研究提出了一个新颖的混合框架，通过整合无监督策略的创新算法，利用自定义损失函数显著增强了日志异常检测的有效性。实验结果极具潜力，对伪正例的显著减少以及处理原始未经处理的日志的能力等方面具有显著优势，为 AIOps 平台内日志异常检测的进展作出了重要贡献，满足了现代复杂系统中有效和高效日志分析的关键需求。

    Nov, 2023

  • TranAD: 多元时间序列异常检测的深度 Transformer 网络

    本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断，能够快速、准确地确定异常观测值，并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明，TranAD 在数据和时间效率上优于现有的基准方法。

    Jan, 2022

  • 基于预训练 Transformer 的无监督跨领域检测

    本研究利用预训练的 transformers 的潜在特征表示来提出了一种简单而有效的方法，用于通过无监督的领域内数据检测领域外样本，并进一步提出了两种领域特定的微调方法来提高检测准确性。在两个数据集上的实验结果验证了该方法大大提高了更一般情景下的领域外检测能力。

    Jun, 2021

  • MLAD: 多系统日志异常检测的统一模型

    提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

    Jan, 2024

  • 基于日志的可伸缩和自适应异常检测，专家在环节中

    提出了一种基于 Trie 数据结构和机器学习的日志异常检测框架 SeaLog，实验结果表明 SeaLog 相比基线方法实现更高的准确性和效率，并且可以借助 ChatGPT 等大型语言模型进行异常日志数据的快速反馈和验证。

    Jun, 2023

  • 面向上下文的领域适应方法用于时序异常检测

    通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

    Apr, 2023

  • 企业软件的基于日志的异常检测：一个实证研究

    对比多个先进的异常检测模型在工业数据集上的表现，结果显示某些模型更适用于结构较松散的数据集，并且研究人员通过定性研究分析了这些模型在识别不同类型的异常时的优势和局限性，最后对训练集大小进行逐渐增加并评估模型的有效性。

    Oct, 2023

  • LogShield: 基于自注意力机制的 APT 检测系统

    本文提出了一种名为 LogShield 的框架，利用自注意机制中的自定义嵌入层来检测高级持续性威胁攻击模式，通过集成 RoBERTa 模型的参数和训练程序，并在知名的 APT 数据集上进行了广泛实验证明了 LogShield 在 APT 检测方面的优越性能。

    Nov, 2023

  • 增强跨域检测：自适应分类感知对比变换器

    我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。

    Jan, 2024