Fugu-MT 論文翻訳(概要): Anomaly Detection Using One-Class SVM for Logs of Juniper Router Devices

論文の概要: Anomaly Detection Using One-Class SVM for Logs of Juniper Router Devices

arxiv url: http://arxiv.org/abs/2305.12329v1
Date: Sun, 21 May 2023 03:32:48 GMT
ステータス: 処理完了
システム内更新日: 2023-05-23 21:23:54.743866
Title: Anomaly Detection Using One-Class SVM for Logs of Juniper Router Devices
Title（参考訳）: ユニパールータデバイスのログに対する1クラスSVMを用いた異常検出
Authors: Tat-Bao-Thien Nguyen, Teh-Lu Liao and Tuan-Anh Vu
Abstract要約: 異常なJuniperルータログには、通常と異なるログが含まれている。 1クラスSVMモデルは、Juniperルータデバイスのログに関する知識と理解を必要とする。我々は、多くの実際のJuniperルータデバイスからログデータを収集し、私たちの知識に基づいてそれらを分類する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The article deals with anomaly detection of Juniper router logs. Abnormal Juniper router logs include logs that are usually different from the normal operation, and they often reflect the abnormal operation of router devices. To prevent router devices from being damaged and help administrator to grasp the situation of error quickly, detecting abnormal operation soon is very important. In this work, we present a new way to get important features from log data of Juniper router devices and use machine learning method (basing on One-Class SVM model) for anomaly detection. One-Class SVM model requires some knowledge and comprehension about logs of Juniper router devices so that it can analyze, interpret, and test the knowledge ac-quired. We collect log data from a lot of real Juniper router devices and clas-sify them based on our knowledge. Before these logs are used for training and testing the One-Class SVM model, the feature extraction phase for these data was carried out. Finally, with the proposed method, the system errors of the routers were dectected quickly and accurately. This may help our com-pany to reduce the operation cost for the router systems.
Abstract（参考訳）: この記事では、Juniperルータログの異常検出を扱う。異常なJuniperルータログには、通常と異なるログが含まれており、しばしばルータ装置の異常な操作を反映している。ルータ装置の破損を防止し、管理者がエラーの状況を迅速に把握できるようにするため、異常動作の早期検出が非常に重要である。本研究では,ユニパールータデバイスのログデータから重要な特徴を抽出するための新しい手法と,異常検出に機械学習手法(ワンクラスSVMモデルに基づく)を提案する。 one-class svm モデルは juniper ルータデバイスのログに関する知識と理解を必要とするため、ac-quired の知識を解析、解釈、テストできる。我々は、実際のJuniperルータデバイスからログデータを収集し、知識に基づいてそれらを分類する。これらのログをワンクラスSVMモデルのトレーニングとテストに使用する前に、これらのデータの特徴抽出フェーズを実行した。最後に,提案手法により,ルータのシステムエラーを迅速かつ正確に推定した。これにより、ルータシステムの運用コストを削減できるかもしれません。

関連論文リスト

Demystifying and Extracting Fault-indicating Information from Logs for Failure Diagnosis [29.800380941293277]
エンジニアは、診断のためにログ情報の2つのカテゴリを優先順位付けする。そこで本研究では,LoFIと呼ばれる故障診断のためのログから誤検出情報を自動抽出する手法を提案する。 LoFIは全てのベースライン法を大幅な差で上回り、最高のベースライン法であるChatGPTよりもF1の25.837.9を絶対的に改善した。
論文参考訳（メタデータ） (2024-09-20T15:00:47Z)
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)
RAGLog: Log Anomaly Detection using Retrieval Augmented Generation [0.0]
本稿では,ベクトルデータベースを利用してログから異常を検出する検索拡張大言語モデルについて検討する。我々の知る限り、RAGLogと呼ばれる我々の実験は、新しいもので、実験結果は、非常に有望であることを示している。
論文参考訳（メタデータ） (2023-11-09T10:40:04Z)
Dual Learning for Large Vocabulary On-Device ASR [64.10124092250128]
デュアル・ラーニング(英: Dual learning)は、教師なしのデータを一度に2つの逆のタスクを解くことによって活用しようとする、半教師なし機械学習のパラダイムである。本稿では,Librispeech全体をトレーニングしたオンデバイスサイズのストリーミングコンバータの解析を行い,LMを使わずにWERを10.7%/5.2%,LMを11.7%/16.4%改善したことを示す。
論文参考訳（メタデータ） (2023-01-11T06:32:28Z)
LogAnMeta: Log Anomaly Detection Using Meta Learning [0.755972004983746]
現在の監視されたログ異常検出フレームワークは、トレーニングデータにはほとんど、あるいは見当たらないサンプルを持たない新しいタイプの異常や署名に対して、パフォーマンスが良くない傾向にある。サンプルの少ないログイベントのシーケンスから異常を検出するメタラーニングに基づくログ異常検出フレームワーク(LogAnMeta)を提案する。
論文参考訳（メタデータ） (2022-12-21T13:00:02Z)
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)
StableMoE: Stable Routing Strategy for Mixture of Experts [109.0602120199226]
Mixture-of-Experts (MoE)技術は、安価な計算オーバーヘッドでトランスフォーマーのモデルサイズをスケールアップすることができる。本稿では、ルーティング変動問題に対処する2つのトレーニング段階を持つStableMoEを提案する。その結果,StableMoEは収束速度と性能の両面で既存のMoE法よりも優れていた。
論文参考訳（メタデータ） (2022-04-18T16:48:19Z)
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)
Log2NS: Enhancing Deep Learning Based Analysis of Logs With Formal to Prevent Survivorship Bias [0.37943450391498496]
本稿では,機械学習(ML)による観測データに対する確率的解析と,基礎となる形式モデルに基づく記号的推論から導出される確実性を組み合わせたフレームワークであるlog to Neuro-symbolic (Log2NS)を紹介する。 Log2NSは、静的ログと相関エンジンからポジティブなインスタンスを問い合わせる機能と、ネガティブなインスタンスと目に見えないインスタンスの正式な推論を提供する。
論文参考訳（メタデータ） (2021-05-29T00:01:08Z)
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)
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。