KDDJul, 2023

CSCLog：一种组件子序列相关性感知的日志异常检测方法

PDF
TL;DR基于系统日志的异常检测在智能运维中起着重要作用，传统方法中忽略了子序列之间的交互。本文提出了 CSCLog 方法，通过提取基于组件的子序列并利用 LSTM 网络捕捉子序列的顺序依赖性，引入了隐式关联编码器来自适应地建模子序列的隐式关联性，并通过图卷积网络实现子序列之间的信息交互，最后利用注意力机制融合所有子序列的嵌入表示。在四个公共日志数据集上的广泛实验表明，CSCLog 在宏 F1-Measure 上平均超过最佳基准值 7.41%。
anomaly detectionsystem logssequential dependenciessubsequencescsclog
发现论文，激发创造
  • 评估基于序列的异常检测技术常用日志数据集的关键回顾

    本篇研究分析了六个公开可用的日志数据集，关注异常的表现形式和简单的检测技术，结果显示大多数异常与顺序表现无直接联系，不需要先进的检测技术即可实现对这些数据集的高检测率。

    Sep, 2023

  • 基于空时图学习的多元时间序列异常检测中的相关性感知

    本研究提出了一种新方法：基于关系感知的时空图学习方法，用于解决多元时间序列异常检测问题，该方法采用了关系感知模块来捕捉变量之间的成对关系，并用空间 - 时间图神经网络来捕获复杂的变量间关系，进一步采用图卷积网络和扩张卷积函数来检测异常值。

    Jul, 2023

  • LogLG: 通过构建日志 - 事件图进行弱监督日志异常检测

    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。

    Aug, 2022

  • Series2Graph：基于图形的时间序列子序列异常检测

    本研究提出了一种基于无监督学习的方法，“Series2Graph”，用于领域无关的子序列异常检测，无需标记实例或无异常数据，能够识别长度各异的异常，在 VLDB 2020 上发表。

    Jul, 2022

  • 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

  • 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

  • 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

  • LSTM 神经网络进行无监督和半监督异常检测

    本文提出了一种基于长短时记忆神经网络（LSTM）的无监督异常检测算法，通过使用一类支持向量机算法和支持向量数据描述算法来实现决策函数，可以适用于处理可变长度的数据序列，并实现了对 OC-SVM 和 SVDD 算法参数的联合训练和优化，同时提供了半监督和全监督框架的扩展，取得了显著的性能提升。

    Oct, 2017

  • 通过图神经网络进行恶意软件家族分析的序列特征提取

    通过设计和实现关注感知图神经网络（AWGCN）来分析 API 调用序列，并利用其可嵌入性来分析恶意软件行为。 同时，分类实验结果显示 AWGCN 在类似调用的数据集中优于其他分类器，并且嵌入可以进一步提高经典模型的性能。

    Aug, 2022

  • LogiCode：一种基于 LLM 的逻辑异常检测框架

    LogiCode 是一个利用大型语言模型，针对工业环境中的逻辑异常进行识别的新型框架，通过利用大型语言模型进行逻辑推理，LogiCode 自动生成 Python 代码来定位诸如组件数量错误或缺失元素等异常，这在异常检测技术上取得了重大突破。引入了自定义数据集 “LOCO-Annotations” 和基准 “LogiBench” 来评估 LogiCode 在二元分类准确度、代码生成成功率和推理准确性等各种指标上的性能。研究结果表明，LogiCode 在逻辑异常检测方面具有提高解释能力，显著提高了逻辑异常检测的准确性，并为已识别的异常提供了详细解释。这代表了工业异常检测中更智能、基于大型语言模型的方法的重要转变，对特定于行业的应用具有重大影响。

    Jun, 2024