Aug, 2022

LogLG: 通过构建日志 - 事件图进行弱监督日志异常检测

PDF
TL;DR本文提出了一种名为 LogLG 的弱监督日志异常检测框架，旨在探索序列中关键词之间的语义关联，通过 end-to-end 迭代过程中从无标注的日志中提取关键词构建日志事件图并训练检测模型，实现对未标记日志数据的异常检测，与现有方法相比 LogLG 实现了显著的性能提升。
anomaly detectionsemi-supervisedlog sequenceweakly supervisediterative process
发现论文，激发创造
  • 基于关键词图的弱监督文本分类

    本文提出了一种 ClassKG 框架，使用图神经网络探索关键字图中的关键字之间的相关性，解决现有方法中关键字独立的问题，即忽略了它们之间的相关性，因此无法充分利用。该方法在长文本和短文本数据集上进行广泛实验，证明其性能显著优于现有方法。

    Oct, 2021

  • 基于图神经网络的日志异常检测与解释

    提出了一种名为 Logs2Graphs 的基于图形的方法，使用图神经网络进行日志异常检测，在处理复杂数据集时大大优于现有的方法，而且能够为每个异常提供关键节点的小子集作为解释。

    Jul, 2023

  • GLAD：面向日志异常检测的内容感知动态图

    GLAD 是一个基于图的日志异常检测框架，结合日志语义、关系模式和顺序模式，能够有效地检测系统日志中的异常关系模式。

    Sep, 2023

  • 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

  • LogELECTRA：无结构日志的自监督异常检测

    我们提出了一种新的日志异常检测模型 LogELECTRA，通过应用 ELECTRA 自然语言处理模型来分析单行日志消息的语义，LogELECTRA 专门用于检测点异常的日志异常，并在公共基准日志数据集 BGL、Sprit 和 Thunderbird 的实验中优于现有的最先进方法。

    Feb, 2024

  • LogGPT: 基于 GPT 的日志异常检测

    基于日志数据检测系统异常对于确保计算机系统的安全性和可靠性至关重要。最近，深度学习模型广泛应用于日志异常检测中，LogGPT 是一个使用 GPT 进行日志异常检测的新型框架，通过对先前序列进行预测进一步提高模型性能，并提出一种新颖的强化学习策略来微调模型以适用于日志异常检测任务，实验证明 LogGPT 显著优于现有的最先进方法。

    Sep, 2023

  • SLSG：通过学习更好的特征嵌入和单类分类实现工业图像异常检测

    为了更有效地检测异常，本文提出了一种基于自监督学习和自注意力图卷积（SLSG）的网络，SLSG 使用生成式预训练网络辅助编码器学习正常模式的嵌入和位置关系的推理，并通过比较模拟异常来更好地总结正常特征。此外，SLSG 通过构建更一般的图结构，在图像元素之间全面建模稠密和稀疏关系，从而进一步增强了逻辑异常的检测，实验结果表明 SLSG 具有优越的异常检测性能。

    Apr, 2023

  • 利用聚类辅助异物检测视频的弱监督训练

    我们提出了一种弱监督的异常检测系统，包括一个随机批处理选择机制、一个正常区域抑制块和一个聚类损失块，以利用训练批次中的总体信息，降低标签噪声并提高特征表示学习，以及通过三个数据集的实验证明了我们方法的卓越的异常检测能力。

    Mar, 2022

  • CLAWS: 利用聚类辅助弱监督学习和正常行为抑制进行异常事件检测

    本文提出了一种弱监督异常检测方法，该方法包括基于随机批量的训练过程、正常状态抑制机制、聚类距离损失等贡献，其中通过将模型生成的不同的正常和异常聚类，降低标签噪音并生成更好的异常表示。该方法在 UCF Crime 和 ShanghaiTech 数据集上获得了 83.03% 和 89.67% 的逐帧 AUC 性能，证明了其优于现有先进算法的优越性。

    Nov, 2020

  • LoGAN: 弱监督视频时刻检索的潜在图协同注意力网络

    本研究提出了一种新的共现学习框架 (Latent Graph Co-Attention Network)， 用于解决标注数据有限的情况下，如何更准确定位与自然语言查询相关的视频片段；通过实验发现，该方法相较以往方法取得了相当显著的进步

    Sep, 2019