論文の概要: ASGNet: Adaptive Semantic Gate Networks for Log-Based Anomaly Diagnosis
- arxiv url: http://arxiv.org/abs/2402.11841v1
- Date: Mon, 19 Feb 2024 05:08:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 18:16:04.576572
- Title: ASGNet: Adaptive Semantic Gate Networks for Log-Based Anomaly Diagnosis
- Title（参考訳）: ASGNet:ログベース異常診断のための適応セマンティックゲートネットワーク
- Authors: Haitian Yang, Degang Sun, Wen Liu, Yanshu Li, Yan Wang, Weiqing Huang
- Abstract要約: 本稿では,統計的特徴と意味的特徴を組み合わせた適応意味ゲートネットワーク(ASGNet)を提案する。
ASGNetは変分符号化モジュールを介して統計的特徴を符号化し、よく設計された適応的セマンティックしきい値機構を通じて有用な情報を融合する。
- 参考スコア（独自算出の注目度）: 6.399472066185473
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Logs are widely used in the development and maintenance of software systems.
Logs can help engineers understand the runtime behavior of systems and diagnose
system failures. For anomaly diagnosis, existing methods generally use log
event data extracted from historical logs to build diagnostic models. However,
we find that existing methods do not make full use of two types of features,
(1) statistical features: some inherent statistical features in log data, such
as word frequency and abnormal label distribution, are not well exploited.
Compared with log raw data, statistical features are deterministic and
naturally compatible with corresponding tasks. (2) semantic features: Logs
contain the execution logic behind software systems, thus log statements share
deep semantic relationships. How to effectively combine statistical features
and semantic features in log data to improve the performance of log anomaly
diagnosis is the key point of this paper. In this paper, we propose an adaptive
semantic gate networks (ASGNet) that combines statistical features and semantic
features to selectively use statistical features to consolidate log text
semantic representation. Specifically, ASGNet encodes statistical features via
a variational encoding module and fuses useful information through a
well-designed adaptive semantic threshold mechanism. The threshold mechanism
introduces the information flow into the classifier based on the confidence of
the semantic features in the decision, which is conducive to training a robust
classifier and can solve the overfitting problem caused by the use of
statistical features. The experimental results on the real data set show that
our method proposed is superior to all baseline methods in terms of various
performance indicators.
- Abstract（参考訳）: ログはソフトウェアシステムの開発とメンテナンスに広く利用されている。
ログは、システムのランタイム動作を理解し、システム障害を診断するのに役立つ。
異常診断には、過去のログから抽出したログイベントデータを用いて診断モデルを構築するのが一般的である。
しかし, 既存の手法では, (1) 統計的特徴: 単語頻度やラベル分布の異常など, ログデータに固有の特徴が十分に活用されていない。
ログ生データと比較すると、統計的特徴は決定論的であり、対応するタスクと自然に互換性がある。
(2) セマンティック機能: ログにはソフトウェアシステムの背後にある実行ロジックが含まれているため、ログステートメントは深いセマンティック関係を共有します。
本稿では,ログデータの統計的特徴と意味的特徴を効果的に組み合わせ,ログ異常診断の性能を向上させる方法を提案する。
本稿では,統計的特徴と意味的特徴を組み合わせることで,統計的特徴を選択的に活用し,ログテキスト意味表現を統合した適応的意味ゲートネットワーク(asgnet)を提案する。
具体的には、ASGNetは変分符号化モジュールを介して統計的特徴を符号化し、よく設計された適応的セマンティックしきい値機構を通じて有用な情報を融合する。
しきい値機構は、ロバストな分類器を訓練することを意図した決定における意味的特徴の信頼性に基づいて、分類器に情報フローを導入する。
実データを用いた実験結果から,提案手法は各種性能指標において,すべての基本手法よりも優れていることがわかった。
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) - 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) - 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) - Logic-induced Diagnostic Reasoning for Semi-supervised Semantic
Segmentation [85.12429517510311]
LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。
私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。
本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
論文 参考訳（メタデータ） (2023-08-24T06:50:07Z) - 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) - 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) - Log-based Anomaly Detection Without Log Parsing [7.66638994053231]
ログ解析を必要としない新しいログベースの異常検出手法であるNeuralLogを提案する。
実験の結果,提案手法はログメッセージの意味を効果的に理解できることがわかった。
全体として、NeuralLogは4つの公開データセットで0.95以上のF1スコアを獲得し、既存のアプローチを上回っている。
論文 参考訳（メタデータ） (2021-08-04T10:42:13Z) - 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。
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。