論文の概要: Trace Recovery from Stochastically Known Logs
- arxiv url: http://arxiv.org/abs/2206.12672v1
- Date: Sat, 25 Jun 2022 15:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 13:21:38.930736
- Title: Trace Recovery from Stochastically Known Logs
- Title（参考訳）: 確率的既知のログからのトレースリカバリ
- Authors: Eli Bogdanov, Izack Cohen, Avigdor Gal
- Abstract要約: 本稿では,様々なコストモデルがトレース回復精度に与える影響を解析し,代替のトレース回復オプションを比較するために製品マルチグラフを利用する。
2つの公開データセットを用いて評価したアプローチの平均精度は印象的であり、平均回復精度は90～97%である。
- 参考スコア（独自算出の注目度）: 7.882975068446842
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work we propose an algorithm for trace recovery from stochastically
known logs, a setting that is becoming more common with the increasing number
of sensors and predictive models that generate uncertain data. The suggested
approach calculates the conformance between a process model and a
stochastically known trace and recovers the best alignment within this
stochastic trace as the true trace. The paper offers an analysis of the impact
of various cost models on trace recovery accuracy and makes use of a product
multi-graph to compare alternative trace recovery options. The average accuracy
of our approach, evaluated using two publicly available datasets, is
impressive, with an average recovery accuracy score of 90-97%, significantly
improving a common heuristic that chooses the most likely value for each
uncertain activity. We believe that the effectiveness of the proposed algorithm
in recovering correct traces from stochastically known logs may be a powerful
aid for developing credible decision-making tools in uncertain settings.
- Abstract（参考訳）: 本研究では,不確定なデータを生成するセンサや予測モデルの増加に伴って一般的になりつつある,確率的既知のログからトレースリカバリするアルゴリズムを提案する。
提案手法は, プロセスモデルと確率的既知のトレースとの適合度を計算し, この確率的トレースにおける最良アライメントを真のトレースとして復元する。
本稿では, 各種コストモデルがトレース回収精度に与える影響を解析し, 代替のトレース回収オプションを比較するために, 製品マルチグラフを利用する。
2つの公開データセットを用いて評価したアプローチの平均精度は印象的であり、平均回復精度は90～97%であり、不確実なアクティビティごとに最も可能性が高い値を選択する共通のヒューリスティックを著しく改善している。
統計的に既知のログから正確なトレースを復元するアルゴリズムの有効性は,不確定な状況下で信頼できる意思決定ツールを開発する上で有効であると考えられる。
関連論文リスト
- RAPID: Training-free Retrieval-based Log Anomaly Detection with PLM
considering Token-level information [7.861095039299132]
特に現実世界のアプリケーションでは、ログ異常検出の必要性が高まっている。
従来のディープラーニングベースの異常検出モデルでは、データセット固有のトレーニングが必要で、それに対応する遅延が発生する。
本稿では,ログデータ固有の特徴を活かして,トレーニング遅延を伴わずに異常検出を可能にするモデルRAPIDを紹介する。
論文 参考訳（メタデータ） (2023-11-09T06:11:44Z) - Log-based Anomaly Detection based on EVT Theory with feedback [31.949892354842525]
本研究では,SeaLogと呼ばれる高精度で軽量かつ適応的なログベースの異常検出フレームワークを提案する。
本稿では,リアルタイムな異常検出を行うために,軽量で動的に成長するトリエ構造を用いたTrie-based Detection Agent (TDA)を提案する。
ログデータの進化に対応してTDAの精度を高めるため,専門家からフィードバックを得られるようにした。
論文 参考訳（メタデータ） (2023-06-08T08:34:58Z) - 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) - Borrowing from Similar Code: A Deep Learning NLP-Based Approach for Log
Statement Automation [0.0]
ログステートメントの位置を予測するために,更新および改良されたログ対応コードクローン検出手法を提案する。
我々は,自然言語処理(NLP)と深層学習手法を組み込んで,ログステートメントの記述予測を自動化する。
解析の結果、我々のハイブリッドNLPとコードクローン検出手法(NLP CC'd)は、ログステートメントの場所を見つける際に従来のクローン検出器よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-12-02T14:03:49Z) - 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) - A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
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。
論文 参考訳（メタデータ） (2021-09-20T13:40:21Z) - Experience Report: Deep Learning-based System Log Analysis for Anomaly
Detection [30.52620190783608]
我々は6つの最先端の異常検知器で使用される5つの人気モデルのレビューと評価を行う。
選択された方法のうち4つは教師なし、残りの2つは教師なしである。
我々は,本研究がこの分野の基礎となり,今後の学術研究や産業応用に貢献できると考えている。
論文 参考訳（メタデータ） (2021-07-13T08:10:47Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳（メタデータ） (2020-09-07T16:47:30Z) - Process Discovery for Structured Program Synthesis [70.29027202357385]
プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。
本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。
我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
論文 参考訳（メタデータ） (2020-08-13T10:33:10Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。