本研究提出了一个新颖的混合框架，通过整合无监督策略的创新算法，利用自定义损失函数显著增强了日志异常检测的有效性。实验结果极具潜力，对伪正例的显著减少以及处理原始未经处理的日志的能力等方面具有显著优势，为 AIOps 平台内日志异常检测的进展作出了重要贡献，满足了现代复杂系统中有效和高效日志分析的关键需求。

Nov, 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

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

通过使用半监督学习方法处理稀有和未知错误，并设计了处理噪声数据的方法，我们提出了一种名为 LogRCA 的方法，用于识别以最小集合描述根本原因的日志行，其在大规模生产日志数据集上的评估结果表明，在检测候选根本原因的精确性和召回率方面，LogRCA 始终优于基于深度学习和统计分析的对比方法，并且我们还研究了部署的数据平衡方法的影响，结果显示它显著提高了对稀有故障的性能。

May, 2024

提供了一种 AIOps 术语和分类法，建立了结构化的事故管理程序，并提供了构建 AIOps 框架的指南，以提供 AIOps 领域的技术和研究方面的全面回顾，旨在构建知识，识别差距，并为该领域的未来发展奠定基础。

Apr, 2024

本研究提出了一种基于深度学习模型的日志分析方法，旨在提高系统和网络安全韧性，能够学习和改进自身，识别异常日志条目并忽略错误报警。

Mar, 2022

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

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

介绍了实现基于云平台的人工智能运维 (AIOps) 的愿景、趋势、挑战和机遇以及多种运用案例和关键技术，特别关注了数据分析、问题分类和解决方案提出和技术应用等方面。着重挖掘了那些尚未被深入开发或对人工智能技术能够产生显著影响的领域。文章中还提供了该领域的趋势预测和关键投资机会。

Apr, 2023