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

对传统机器学习和深度学习技术在日志分析和异常检测中的评估进行了全面的实证研究，结果表明传统机器学习技术和深度学习技术在检测准确性和预测时间方面非常接近，而传统机器学习技术对超参数调整的敏感性较深度学习技术要低。此外，半监督技术的检测准确性明显较监督技术差。

Jul, 2023

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

本文旨在对当前流行的五种基于深度学习模型的系统异常检测方法进行全面评估。通过对四个公共 log 数据集进行实验，我们发现训练数据选择、数据分组、类别分布、数据噪声和早期检测能力等因素都对模型评估产生了重要影响，并指出当前没有解决日志异常检测的问题。

Feb, 2022

本文对自动化日志解析进行了全面评估研究，并发布了工具和基准，用于进一步研究和应用。研究评估了 13 种自动化日志解析器，涵盖了 16 个日志数据集，并报告了准确性，鲁棒性和效率的基准结果，在工业应用中分享了成功案例和经验教训，旨在为未来自动化日志解析的研究和应用提供有价值的指导。

Nov, 2018

通过对日志数据进行自然语言处理并利用先前训练的语言模型，提出了一种基于文本相似度的快速异常检测模型 RAPID，采用检索法技术进行测试日志与正常日志的对比，无需针对日志数据进行训练，能够实现实时检测，且在特定数据集上具有最好的性能表现。

Nov, 2023

该研究提出了一种基于日志的异常检测和预测的特征选择方法，以提高对复杂系统下子系统级别上的异常检测效率和准确性。

Aug, 2022

通过训练公共和专有日志数据上的大型语言模型 (LLM)，本论文介绍了一种在多个下游任务上表现优于现有模型的 LLM，为 AIOps 提供了高效和有效的自动化日志分析解决方案，使 SRE 能够专注于更高层次的任务。

Aug, 2023

日志分析和监控是软件维护和缺陷识别的重要方面。本文提出了一种基于语义的在线聚类方法，动态更新日志聚类以实现对代码错误生命周期的监控，并引入了一种新的度量指标来评估时间日志聚类的性能。通过在工业数据集上进行实验，发现我们的解决方案优于类似系统，希望本研究能在缺陷数据集的时间性探索方面鼓励更多研究。

Mar, 2024

通过对传统技术进行优化，我们实现了无监督主成分分析（PCA）技术的优化，通过轻量级的基于语义的日志表示解决了训练数据中未知日志事件的问题，提高了日志表示的效果，我们的研究比较了公共和工业数据集上的七种基于日志的异常检测方法，包括四种 DL-based 方法、两种传统方法和优化的 PCA 技术，结果表明，优化的无监督 PCA 技术在有限的训练数据和资源效率方面达到了与先进的监督 / 半监督 DL 方法相似的效果，从而证明了传统技术通过小而重要的改进具有的适应性和优势。

Aug, 2023