論文の概要: A Novel GPT-Based Framework for Anomaly Detection in System Logs

• arxiv url: http://arxiv.org/abs/2510.16044v1
• Date: Thu, 16 Oct 2025 15:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.798846
• Title: A Novel GPT-Based Framework for Anomaly Detection in System Logs
• Title（参考訳）: システムログにおける異常検出のための新しいGPTベースフレームワーク
• Authors: Zeng Zhang, Wenjie Yin, Xiaoqi Li,
• Abstract要約: 本稿では,Genera-tive Pre-trained Transformer (GPT) を用いたシステムログのインテリジェント検出手法を提案する。 このアプローチの有効性は、構造化入力とFocal Loss Op timization戦略の組み合わせに起因する。 GPT-2モデルは、精度、リコール、F1スコアなど、様々な重要な指標において、最適化されていないモデルよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 4.92711268765052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of anomalous events within system logs constitutes a pivotal element within the frame- work of cybersecurity defense strategies. However, this process faces numerous challenges, including the management of substantial data volumes, the distribution of anomalies, and the precision of con- ventional methods. To address this issue, the present paper puts forward a proposal for an intelligent detection method for system logs based on Genera- tive Pre-trained Transformers (GPT). The efficacy of this approach is attributable to a combination of structured input design and a Focal Loss op- timization strategy, which collectively result in a substantial enhancement of the performance of log anomaly detection. The initial approach involves the conversion of raw logs into event ID sequences through the use of the Drain parser. Subsequently, the Focal Loss loss function is employed to address the issue of class imbalance. The experimental re- sults demonstrate that the optimized GPT-2 model significantly outperforms the unoptimized model in a range of key metrics, including precision, recall, and F1 score. In specific tasks, comparable or superior performance has been demonstrated to that of the GPT-3.5 API.
• Abstract（参考訳）: システムログ内の異常事象の特定は、サイバーセキュリティ防衛戦略のフレームワークにおける重要な要素である。 しかし、このプロセスは、大量のデータボリュームの管理、異常の分布、コンベンショナル手法の精度など、多くの課題に直面している。 そこで本研究では,Genera-tive Pre-trained Transformer (GPT) に基づくシステムログのインテリジェント検出手法を提案する。 このアプローチの有効性は、構造化された入力設計とFocal Loss Op-timization戦略の組み合わせによるものであり、ログ異常検出の性能を大幅に向上させる。 最初のアプローチでは、Drainパーサを使用して生のログをイベントIDシーケンスに変換する。 その後、クラス不均衡の問題に対処するために、Focal Loss Loss関数が使用される。 実験的な再調査により、最適化されたGPT-2モデルは、精度、リコール、F1スコアなど、様々な重要な指標において、最適化されていないモデルよりも大幅に優れていることが示された。 特定のタスクでは、GPT-3.5 APIと同等または優れたパフォーマンスが実証されている。

関連論文リスト

• FastRef:Fast Prototype Refinement for Few-Shot Industrial Anomaly Detection [18.487111110151115]
  FS-IAD (Few-shot Industrial Anomaly Detection) は, 自動検査システムにおいて重要な課題である。 本稿では,FS-IADのための新規かつ効率的なプロトタイプ改良フレームワークであるFastRefを提案する。 PatchCore、FastRecon、WinCLIP、AnomalyDINOの3つの競合するプロトタイプベースのFS-IADメソッドとFastRefを統合する。
  論文  参考訳（メタデータ） (2025-06-26T15:46:28Z)
• Distributed Log-driven Anomaly Detection System based on Evolving Decision Making [4.183506125389502]
  CEDLogは、Apache AirflowとDaskを統合することで、スケーラブルな処理のために分散コンピューティングを実装するフレームワークである。 CEDLogでは、イベントログに存在する重要な特徴を用いて、多層パーセプトロン(MLP)とグラフ畳み込みネットワーク(GCN)の合成によって異常を検出する。
  論文  参考訳（メタデータ） (2025-04-03T06:50:30Z)
• 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)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data [5.859431341476405]
  イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。 提案手法は,実世界の重要な収集データセットに適用される。 このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
  論文  参考訳（メタデータ） (2023-05-17T08:55:53Z)
• BERT-based Chinese Text Classification for Emergency Domain with a Novel Loss Function [9.028459232146474]
  本論文では,緊急事象報告分類問題に対する自動中国語テキスト分類法を提案する。 緊急イベントカテゴリの分布におけるデータ不均衡を克服するため,BERTモデルの性能向上を目的とした新たな損失関数を提案する。 提案手法は, 精度, 重み付き精度, 重み付きリコール, 重み付きF1値で最高の性能を示した。
  論文  参考訳（メタデータ） (2021-04-09T05:25:00Z)

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。