論文の概要: LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation

• arxiv url: http://arxiv.org/abs/2510.03288v2
• Date: Thu, 09 Oct 2025 06:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 15:34:28.740374
• Title: LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation
• Title（参考訳）: LogAction: アクティブドメイン適応によるログによる一貫性のあるクロスシステム異常検出
• Authors: Chiming Duan, Minghua He, Pei Xiao, Tong Jia, Xin Zhang, Zhewei Zhong, Xiang Luo, Yan Niu, Lingzhe Zhang, Yifan Wu, Siyu Yu, Weijie Hong, Ying Li, Gang Huang,
• Abstract要約: アクティブドメイン適応に基づく新しいログベース異常検出モデルであるLogActionを提案する。 一方、成熟したシステムのラベル付きデータを使用してベースモデルをトレーニングし、アクティブな学習におけるコールドスタート問題を緩和する。 一方、LogActionは、自由エネルギーに基づくサンプリングと不確実性に基づくサンプリングを利用して、手動ラベリングのための分布境界に位置するログを選択する。
• 参考スコア（独自算出の注目度）: 20.437756988997418
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Log-based anomaly detection is a essential task for ensuring the reliability and performance of software systems. However, the performance of existing anomaly detection methods heavily relies on labeling, while labeling a large volume of logs is highly challenging. To address this issue, many approaches based on transfer learning and active learning have been proposed. Nevertheless, their effectiveness is hindered by issues such as the gap between source and target system data distributions and cold-start problems. In this paper, we propose LogAction, a novel log-based anomaly detection model based on active domain adaptation. LogAction integrates transfer learning and active learning techniques. On one hand, it uses labeled data from a mature system to train a base model, mitigating the cold-start issue in active learning. On the other hand, LogAction utilize free energy-based sampling and uncertainty-based sampling to select logs located at the distribution boundaries for manual labeling, thus addresses the data distribution gap in transfer learning with minimal human labeling efforts. Experimental results on six different combinations of datasets demonstrate that LogAction achieves an average 93.01% F1 score with only 2% of manual labels, outperforming some state-of-the-art methods by 26.28%. Website: https://logaction.github.io
• Abstract（参考訳）: ログベースの異常検出は、ソフトウェアシステムの信頼性と性能を保証するための重要なタスクである。 しかし,既存の異常検出手法の性能はラベル付けに大きく依存する一方で,大量のログをラベル付けすることは極めて困難である。 この問題に対処するために,移動学習とアクティブラーニングに基づく多くのアプローチが提案されている。 それにもかかわらず、それらの効果は、ソースとターゲットシステムのデータ分布のギャップやコールドスタート問題といった問題によって妨げられている。 本稿では,アクティブドメイン適応に基づく新しいログベース異常検出モデルであるLogActionを提案する。 LogActionは、トランスファーラーニングとアクティブラーニング技術を統合している。 一方、成熟したシステムのラベル付きデータを使用してベースモデルをトレーニングし、アクティブな学習におけるコールドスタート問題を緩和する。 一方、LogActionは、自由エネルギーに基づくサンプリングと不確実性に基づくサンプリングを利用して、手動ラベリングのための分布境界に位置するログを選定する。 6つの異なるデータセットの組み合わせの実験結果は、LogActionが平均93.01%のF1スコアを達成し、手動ラベルのわずか2%で、最先端の手法を26.28%上回ったことを示している。 Webサイト: https://logaction.github.io

関連論文リスト

• From Few-Label to Zero-Label: An Approach for Cross-System Log-Based Anomaly Detection with Meta-Learning [14.506853344375342]
  システム間転送は重要な研究方向として特定されている。 ラベル付きターゲットシステムログの必要性を解消する,システムに依存しないメタラーニング手法であるFreeLogを提案する。 FreeLogは、ターゲットシステムから少量のラベル付きデータに依存する最先端のメソッドに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-07-26T05:38:51Z)
• OMLog: Online Log Anomaly Detection for Evolving System with Meta-learning [10.181157278476428]
  OMLogはリアルタイムかつ信頼性の高いオンラインログ異常検出モデルである。 本稿では,平均誤差に基づく分布シフト検出手法を提案する。 また、ログシーケンスの繰り返しパターンを効果的に学習できるメタラーニングに基づくオンライン学習機構を設計する。
  論文  参考訳（メタデータ） (2024-10-22T01:50:07Z)
• 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)
• Stochastic Amortization: A Unified Approach to Accelerate Feature and Data Attribution [62.71425232332837]
  雑音ラベル付きモデルを用いたトレーニングは安価で驚くほど効果的であることを示す。 このアプローチは、いくつかの特徴属性とデータ評価手法を著しく加速し、しばしば既存のアプローチよりも桁違いにスピードアップする。
  論文  参考訳（メタデータ） (2024-01-29T03:42:37Z)
• 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)
• Unsupervised Log Anomaly Detection with Few Unique Tokens [0.8793721044482612]
  本稿では,欧州XFEL加速器の制御系ノードからログデータの異常を検出する新しい手法を提案する。 確率比に基づいて個々のログエントリをスコアリングすることで異常を識別する。 高いスコアは、ノードのルーチンの振る舞いから逸脱する潜在的な異常を示す。
  論文  参考訳（メタデータ） (2023-10-13T08:49:25Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• 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)
• 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)
• 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。