論文の概要: A2Log: Attentive Augmented Log Anomaly Detection

• arxiv url: http://arxiv.org/abs/2109.09537v1
• Date: Mon, 20 Sep 2021 13:40:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:17:00.402227
• Title: A2Log: Attentive Augmented Log Anomaly Detection
• Title（参考訳）: A2Log: 注意深い拡張ログ異常検出
• Authors: Thorsten Wittkopp, Alexander Acker, Sasho Nedelkoski, Jasmin Bogatinovski, Dominik Scheinert, Wu Fan and Odej Kao
• Abstract要約: 異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
• 参考スコア（独自算出の注目度）: 53.06341151551106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection becomes increasingly important for the dependability and serviceability of IT services. As log lines record events during the execution of IT services, they are a primary source for diagnostics. Thereby, unsupervised methods provide a significant benefit since not all anomalies can be known at training time. Existing unsupervised methods need anomaly examples to obtain a suitable decision boundary required for the anomaly detection task. This requirement poses practical limitations. Therefore, we develop A2Log, which is an unsupervised anomaly detection method consisting of two steps: Anomaly scoring and anomaly decision. First, we utilize a self-attention neural network to perform the scoring for each log message. Second, we set the decision boundary based on data augmentation of the available normal training data. The method is evaluated on three publicly available datasets and one industry dataset. We show that our approach outperforms existing methods. Furthermore, we utilize available anomaly examples to set optimal decision boundaries to acquire strong baselines. We show that our approach, which determines decision boundaries without utilizing anomaly examples, can reach scores of the strong baselines.
• Abstract（参考訳）: 異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 ログラインはITサービスの実行中にイベントを記録するため、診断の主要なソースとなる。 したがって、教師なしのメソッドはトレーニング時にすべての異常を知ることができるわけではないため、大きなメリットがある。 既存の教師なし手法では、異常検出タスクに必要な適切な決定境界を得るために、異常の例が必要となる。 この要件は現実的な制限をもたらす。 そこで我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。 まず,自己注意型ニューラルネットワークを用いて各ログメッセージのスコアリングを行う。 第2に、利用可能な正規トレーニングデータのデータ拡張に基づいて、決定境界を設定する。 この方法は3つの公開データセットと1つの業界データセットで評価される。 我々のアプローチは既存の手法よりも優れています。 さらに,利用可能な異常例を用いて最適決定境界を設定し,強いベースラインを得る。 我々は,異常な例を使わずに決定境界を決定する手法が,強力なベースラインのスコアに到達できることを実証する。

関連論文リスト

• Weakly Supervised Anomaly Detection via Knowledge-Data Alignment [24.125871437370357]
  マルウェア検出、マネーロンダリング、デバイス障害検出、ネットワーク障害解析など、多数のWebベースのアプリケーションにおいて、異常検出が重要な役割を果たす。 Weakly Supervised Anomaly Detection (WSAD) が導入された。 本稿では,ルール知識を統合するための知識データアライメント(KDAlign)について紹介する。
  論文  参考訳（メタデータ） (2024-02-06T07:57:13Z)
• LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
  本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。 具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。 そして、そのような知識を共有パラメータを介して対象領域に転送する。
  論文  参考訳（メタデータ） (2024-01-09T12:55:21Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Efficient pattern-based anomaly detection in a network of multivariate devices [0.17188280334580192]
  2段階のアプローチで異常を検出するスケーラブルな手法を提案する。 まず、ネットワーク内のエンティティ間の関係を復元する。なぜなら関係は自然界において動的であり、原因不明のプロセスによって引き起こされることが多いからだ。 次に、逐次パターンの埋め込みに基づく異常を報告する。
  論文  参考訳（メタデータ） (2023-05-07T16:05:30Z)
• Interpretable Anomaly Detection via Discrete Optimization [1.7150329136228712]
  本稿では,シーケンシャルデータから本質的に解釈可能な異常検出を学習するためのフレームワークを提案する。 この問題は計算的に困難であることを示し,制約最適化に基づく2つの学習アルゴリズムを開発した。 プロトタイプ実装を用いて,提案手法は精度とF1スコアの点で有望な結果を示す。
  論文  参考訳（メタデータ） (2023-03-24T16:19:15Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Active Learning-based Isolation Forest (ALIF): Enhancing Anomaly Detection in Decision Support Systems [2.922007656878633]
  ALIFは一般的な孤立林の軽量な修正であり、他の最先端のアルゴリズムと比較して優れた性能を示した。 提案手法は,現実のシナリオでますます普及しているDSS(Decision Support System)の存在に特に注目されている。
  論文  参考訳（メタデータ） (2022-07-08T14:36:38Z)
• Leveraging Log Instructions in Log-based Anomaly Detection [0.5949779668853554]
  本稿では,システムログからの信頼性と実用的な異常検出手法を提案する。 1000以上のGitHubプロジェクトのソースコードからログインストラクションを備えた異常検出モデルを構築することで、関連する作業の一般的な欠点を克服する。 提案手法はADLILogと呼ばれ,興味あるシステム(ターゲットシステム)からのログ命令とデータを組み合わせて,深層ニューラルネットワークモデルを学習する。
  論文  参考訳（メタデータ） (2022-07-07T10:22:10Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Meta-AAD: Active Anomaly Detection with Deep Reinforcement Learning [56.65934079419417]
  偽陽性率が高いことは、異常検出アルゴリズムの長年の課題である。 本稿では,クエリ選択のためのメタポリシーを学習する新しいフレームワーク,Meta-AAD(Active Anomaly Detection with Meta-Policy)を提案する。
  論文  参考訳（メタデータ） (2020-09-16T01:47:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。