Mar, 2024

缺陷演化分析的日志总结

PDF
TL;DR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。
log analysismonitoringsoftware maintenancetemporal log clusterscode error life-cycles
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

  • 企业软件的基于日志的异常检测：一个实证研究

    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

  • 基于日志表示的异常检测的有效性研究

    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

  • MoniLog: 云计算基础设施自动化日志异常检测系统

    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

  • 基于事件日志分析的故障检测与预测特征选取

    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

  • 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

  • 从网络消息日志中学习潜在事件

    本研究针对大型分布式数据中心网络中的错误消息分离问题进行了研究，提出了一种将该问题转换为文档主题发现问题的映射方法，并利用 LDA 算法进行求解。其中，引入了一个新的变点检测算法，将消息日志分割成称之为分集的小子集，并在实际数据集上进行了扩展性展示。

    Apr, 2018

  • 猕猴：基于熵抽样和思维链合并的日志解析

    通过使用信息熵采样和思维链合并的先进方法，Lemur 日志解析框架成功解决了依赖人工规则以及忽略日志信息语义的问题，实现了最先进的性能和出色的效率。

    Feb, 2024

  • 应用机器学习分析软件质量测试

    本文利用机器学习对可用数据进行了操作并计算出了累计软件故障程度。应用机器学习预测软件的残余缺陷，以准确预测软件故障是本文的总体目标。

    May, 2023

  • 半监督跨模态注重力异构软件系统异常检测

    该研究通过系统化的研究，发现了结合日志和度量数据来检测系统异常更加有效，提出了基于异构数据的端到端半监督方法 Hades，并通过大量模拟数据和华为云数据集的评估结果，证明了模型在检测系统异常方面的有效性。

    Feb, 2023