論文の概要: TPLogAD: Unsupervised Log Anomaly Detection Based on Event Templates and Key Parameters

• arxiv url: http://arxiv.org/abs/2411.15250v1
• Date: Fri, 22 Nov 2024 08:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:25:06.135432
• Title: TPLogAD: Unsupervised Log Anomaly Detection Based on Event Templates and Key Parameters
• Title（参考訳）: TPLogAD:イベントテンプレートとキーパラメータに基づく教師なしログ異常検出
• Authors: Jiawei Lu, Chengrong Wu,
• Abstract要約: 本研究では,非構造化ログを解析するための共通教師なし手法TPLogADを提案する。 TPLogADに含まれるitemplate2vecとpara2vecは、ログの効率的で実装が容易なセマンティック表現方法である。 4つの公開ログデータセットに対する実験により、TPLogADは既存のログ異常検出方法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.8377404383552043
• License:
• Abstract: Log-system is an important mechanism for recording the runtime status and events of Web service systems, and anomaly detection in logs is an effective method of detecting problems. However, manual anomaly detection in logs is inefficient, error-prone, and unrealistic. Existing log anomaly detection methods either use the indexes of event templates, or form vectors by embedding the fixed string part of the template as a sentence, or use time parameters for sequence analysis. However, log entries often contain features and semantic information that cannot be fully represented by these methods, resulting in missed and false alarms. In this paper, we propose TPLogAD, a universal unsupervised method for analyzing unstructured logs, which performs anomaly detection based on event templates and key parameters. The itemplate2vec and para2vec included in TPLogAD are two efficient and easy-to-implement semantic representation methods for logs, detecting anomalies in event templates and parameters respectively, which has not been achieved in previous work. Additionally, TPLogAD can avoid the interference of log diversity and dynamics on anomaly detection. Our experiments on four public log datasets show that TPLogAD outperforms existing log anomaly detection methods.
• Abstract（参考訳）: ログシステム(Log-system)は,Webサービスシステムのランタイム状態とイベントを記録するための重要なメカニズムであり,ログ内の異常検出は問題を検出する効果的な方法である。 しかし、ログにおける手動異常検出は非効率、エラーを起こし、非現実的である。 既存のログ異常検出方法は、イベントテンプレートのインデックスを使用するか、テンプレートの固定文字列部分を文として埋め込んでベクトルを形成するか、シーケンス分析に時間パラメータを使用する。 しかし、ログエントリにはこれらのメソッドで完全に表現できない機能やセマンティック情報が含まれており、結果として誤報や誤報が発生することが多い。 本稿では,イベントテンプレートとキーパラメータに基づいた異常検出を行う,非構造化ログを普遍的に解析するTPLogADを提案する。 TPLogADに含まれるitemplate2vecとpara2vecは、ログの効率的かつ実装が容易な2つのセマンティック表現方法であり、イベントテンプレートとパラメータの異常を検出する。 さらにTPLogADは、異常検出におけるログの多様性とダイナミクスの干渉を回避することができる。 4つの公開ログデータセットに対する実験により、TPLogADは既存のログ異常検出方法より優れていることが示された。

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)
• 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)
• 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)
• Data Drift Monitoring for Log Anomaly Detection Pipelines [2.941832525496684]
  本研究では,介入,再訓練,LADモデルの更新が人的関与に必要である場合に,ベイズ因子に基づくドリフト検出手法を提案する。 本手法は,無修正データからのログアクティビティのシーケンスと,異常汚染の制御レベルによるシミュレートされたアクティビティの両方を用いて記述する。
  論文  参考訳（メタデータ） (2023-10-17T09:10:40Z)
• 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)
• 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)
• 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)
• 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。