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

通过对以往日志分析研究所采用的常见日志表示技术进行研究和比较，本文选择了六种日志表示技术，并结合七种机器学习模型和四个公共日志数据集，在基于日志的异常检测背景下进行评估，同时分析了日志解析过程和不同特征聚合方法的影响，从而为未来研究人员和开发者在设计自动化日志分析工作流程时提供一些启发性指南，以更好地理解不同日志表示技术的特点，并指导选择最合适的技术进行基于机器学习的日志分析工作流程。

Aug, 2023

本文介绍了 MoniLog，一种用于检测大型系统中实时异常的分布式方法，旨在检测多源日志流中的顺序和数量异常，并通过输出分类器从管理员的操作中学习标记和评估异常的重要性。

Apr, 2023

本研究介绍了一种基于贝叶斯因子的漂移检测方法，用于判断何时需要人工介入以进行干预、重新训练和更新 Log Anomaly Detection (LAD) 的模型，演示了使用真实采集的日志数据的不变数据序列和模拟异常污染水平的活动序列的方法。

Oct, 2023

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

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

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020

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

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%。

Jul, 2023