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

该论文提出了一种名为 ADLILog 的方法，结合源代码日志指令和目标系统的数据，通过两阶段学习过程，学习深度神经网络模型来可靠地检测系统日志中的异常，实验结果表明 ADLILog 在 F1 得分上的表现比相关方法提高了高达 60％。

Jul, 2022

该研究引入了一个日志异常的分类法，并探索了自动数据标记来减轻标记挑战，同时研究了多种异常检测技术及其与特定异常类型的相互对齐关系。这篇论文丰富了我们对异常检测和自动标注的理解，为变革性的根本原因分析奠定了基础，从而使 IT 系统更具弹性，提升运营效率并提高用户满意度。

Dec, 2023

基于人工智能运维 (AIOps) 的时间序列异常检测的综述以及基于最新进展的面向实际应用和下一代时间序列异常检测的未来方向。

Aug, 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

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。

Dec, 2021

本文提出了一种名为 DQNLog 的半监督日志异常检测方法，它结合了来自深度强化学习的 DQN 算法，通过有效地利用少量标记数据和大规模未标记数据集，解决了数据不平衡和标记不足的挑战，不仅可以学习已知异常，还可以主动探索未标记数据集以发现未知异常，并在深度强化学习中引入了交叉熵损失项以防止模型过高估计，通过对三个广泛使用的数据集的评估，证明 DQNLog 在提高召回率和 F1 分数的同时保持精确度，验证了其实用性。

Jan, 2024

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

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