Fugu-MT 論文翻訳(概要): Feature Selection for Fault Detection and Prediction based on Event Log Analysis

論文の概要: Feature Selection for Fault Detection and Prediction based on Event Log Analysis

arxiv url: http://arxiv.org/abs/2208.09440v1
Date: Fri, 19 Aug 2022 16:43:37 GMT
ステータス: 処理完了
システム内更新日: 2022-08-22 16:49:34.930290
Title: Feature Selection for Fault Detection and Prediction based on Event Log Analysis
Title（参考訳）: イベントログ解析に基づく障害検出と予測のための特徴選択
Authors: Zhong Li and Matthijs van Leeuwen
Abstract要約: イベントログは複雑なシステムにおける異常検出と予測に広く利用されている。ログベースの異常検出と予測のための特徴選択手法を開発し,その有効性と効率を大幅に改善する。
参考スコア（独自算出の注目度）: 14.80211278818555
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Event logs are widely used for anomaly detection and prediction in complex systems. Existing log-based anomaly detection methods usually consist of four main steps: log collection, log parsing, feature extraction, and anomaly detection, wherein the feature extraction step extracts useful features for anomaly detection by counting log events. For a complex system, such as a lithography machine consisting of a large number of subsystems, its log may contain thousands of different events, resulting in abounding extracted features. However, when anomaly detection is performed at the subsystem level, analyzing all features becomes expensive and unnecessary. To mitigate this problem, we develop a feature selection method for log-based anomaly detection and prediction, largely improving the effectiveness and efficiency.
Abstract（参考訳）: イベントログは複雑なシステムの異常検出と予測に広く利用されている。既存のログベースの異常検出方法は、ログ収集、ログ解析、特徴抽出、異常検出の4つの主要なステップで構成されており、特徴抽出ステップは、ログイベントを数えることで異常検出に有用な特徴を抽出する。多数のサブシステムからなるリソグラフィマシンのような複雑なシステムでは、ログには数千の異なるイベントが含まれており、多くの特徴が抽出される。しかし、サブシステムレベルで異常検出を行うと、すべての機能の解析は高価で不要になる。この問題を軽減するため、ログベースの異常検出と予測のための特徴選択手法を開発し、その効率と効率を大幅に改善する。

関連論文リスト

Log2graphs: An Unsupervised Framework for Log Anomaly Detection with Efficient Feature Extraction [1.474723404975345]
手動アノテーションの高コストと使用シナリオの動的な性質は、効果的なログ分析において大きな課題となる。本研究では,様々なシナリオに対応するために設計されたDualGCN-LogAEと呼ばれる新しいログ特徴抽出モデルを提案する。また,特徴抽出器に基づく教師なしログ異常検出手法であるLog2graphsを導入する。
論文参考訳（メタデータ） (2024-09-18T11:35:58Z)
LogELECTRA: Self-supervised Anomaly Detection for Unstructured Logs [0.0]
ログベースの異常検出の目標は、短時間で生成された大量のログを分析して、システム異常を自動的に検出することである。従来の研究では、非構造化ログデータからテンプレートを抽出し、テンプレート発生パターンに基づいて異常を検出するためにログを使用していた。自己教師付き異常検出に基づいて1行のログメッセージをより深く分析する新しいログ異常検出モデルであるLogELECTRAを提案する。
論文参考訳（メタデータ） (2024-02-16T01:47:02Z)
Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
論文参考訳（メタデータ） (2024-02-14T14:17:56Z)
GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文参考訳（メタデータ） (2023-09-12T04:21:30Z)
Graph Neural Networks based Log Anomaly Detection and Explanation [19.66344385835598]
イベントログは、ハイテクシステムのステータスを記録するために広く使用されている。ほとんどの既存のログ異常検出方法は、ログイベントカウント行列またはログイベントシーケンスを入力として取り込む。我々はLogs2Graphsと呼ばれる教師なしログ異常検出のためのグラフベースの手法を提案する。
論文参考訳（メタデータ） (2023-07-02T09:38:43Z)
Impact of Log Parsing on Deep Learning-Based Anomaly Detection [4.0719622481627376]
本研究では,ログ解析精度と異常検出精度との間には強い相関関係がないことを示す。本研究は,ログ解析結果の識別可能性を示す特性として,既存の理論結果について実験的に検証する。
論文参考訳（メタデータ） (2023-05-25T09:53:02Z)
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)
LogGD:Detecting Anomalies from System Logs by Graph Neural Networks [14.813971618949068]
本稿では,グラフに基づくログ異常検出手法であるLogGDを提案し,この問題に効果的に対処する。グラフ構造とノードセマンティクスを組み合わせてログベースの異常検出を行うグラフトランスフォーマーニューラルネットワークの強力な機能を利用する。
論文参考訳（メタデータ） (2022-09-16T11:51:58Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-23T09:17:05Z)
Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。