論文の概要: AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation
- arxiv url: http://arxiv.org/abs/2604.11107v1
- Date: Mon, 13 Apr 2026 07:24:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.395163
- Title: AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation
- Title（参考訳）: AnomalyGen: コードガイドによるデータ拡張によるログベースの異常検出の強化
- Authors: Xinyu Li, Yintong Huo, Chenxi Mao, Shiwen Shan, Yuxin Su, Yanlin Wang, Zibin Zheng,
- Abstract要約: AnomalyGenは、ラベル付きログシーケンスをソースコードから合成することによってトレーニングデータを増強する新しいフレームワークである。
12のさまざまな異常検出モデルに対するHDFSとZookeeperの評価は、AnomalyGenが一貫してパフォーマンスを改善していることを示している。
- 参考スコア（独自算出の注目度）: 42.87177529900358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Log-based anomaly detection is fundamentally constrained by training data sparsity. Our empirical study reveals that public benchmark datasets cover less than 10% of source code log templates. Consequently, models frequently misclassify unseen but valid execution paths as anomalies, leading to false alarms. To address this, we propose AnomalyGen, a novel framework that augments training data by synthesizing labeled log sequences from source code. AnomalyGen combines log-oriented static analysis with Large Language Model (LLM) reasoning in three stages: (1) building Log-Oriented Control Flow Graphs (LCFGs) to enumerate structurally valid execution paths; (2) applying LLM Chain-of-Thought (CoT) reasoning to verify logical consistency and generate realistic runtime parameters (e.g., block IDs, IP addresses); and (3) labeling generated sequences with domain heuristics. Evaluations on HDFS and Zookeeper across 12 diverse anomaly detection models show AnomalyGen consistently improves performance. Deep learning models achieved average F1-score gains of 2.18% (HDFS) and 1.69% (Zookeeper), with an unsupervised Transformer on HDFS jumping from 0.818 to 0.970. Ablation results show that both static analysis and LLM-based verification are necessary: removing them reduces F1 by up to 8.7 and 10.7 percentage points, respectively. Our framework and datasets are publicly available to facilitate future research.
- Abstract（参考訳）: ログベースの異常検出は、データ空間のトレーニングによって基本的に制限される。
私たちの経験的調査によると、公開ベンチマークデータセットは、ソースコードログテンプレートの10%未満をカバーしています。
その結果、モデルはしばしば、目に見えないが有効な実行パスを異常として誤分類し、誤ったアラームを発生させる。
そこで我々は,ラベル付きログシーケンスをソースコードから合成することにより,トレーニングデータを増強する新しいフレームワークであるAnomalyGenを提案する。
AnomalyGenはログ指向の静的解析とLarge Language Model (LLM)推論を3つの段階で組み合わせている。(1)ログ指向制御フローグラフ(LCFG)を構築して構造的に有効な実行パスを列挙する、(2)論理的一貫性を検証して現実的な実行パラメータ(例えば、ブロックID、IPアドレス)を生成するLLM Chain-of-Thought(CoT)推論を適用する、3)生成されたシーケンスをドメインヒューリスティックスでラベル付けする。
12のさまざまな異常検出モデルに対するHDFSとZookeeperの評価は、AnomalyGenが一貫してパフォーマンスを改善していることを示している。
ディープラーニングモデルは平均F1スコアゲインを2.18%(HDFS)と1.69%(Zookeeper)で達成し、HDFS上の教師なしトランスフォーマーは0.818から0.970にジャンプした。
アブレーションの結果、静的解析とLCMに基づく検証の両方が必要であり、F1を最大8.7ポイント、F1を最大10.7ポイント削減する。
私たちのフレームワークとデータセットは、将来の研究を促進するために公開されています。
関連論文リスト
- EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。
提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。
このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
論文 参考訳（メタデータ） (2026-04-06T23:35:15Z) - AlgoVeri: An Aligned Benchmark for Verified Code Generation on Classical Algorithms [54.99368693313797]
既存のベンチマークでは、個々の言語/ツールのみをテストするため、パフォーマンス番号は直接比較できない。
このギャップに対処するAlgoVeriは、Dafny、Verus、Leanで77ドルの古典的アルゴリズムのベリコーディングを評価するベンチマークです。
論文 参考訳（メタデータ） (2026-02-10T06:58:26Z) - CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。
既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。
機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
論文 参考訳（メタデータ） (2026-01-30T10:33:29Z) - Benchmarking Small Language Models and Small Reasoning Language Models on System Log Severity Classification [3.192782465393035]
最終タスクとしてではなく,実行時ログ理解のためのベンチマークとして扱われる場合,重大度分類の方が有益である,と我々は主張する。
9つの小言語モデル (SLM) と小推論言語モデル (SRLM) をゼロショット, 少数ショット, 検索強化世代 (RAG) のプロンプトで評価した。
論文 参考訳（メタデータ） (2026-01-12T18:02:33Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。
SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
論文 参考訳（メタデータ） (2025-05-10T17:15:49Z) - AnomalyGen: An Automated Semantic Log Sequence Generation Framework with LLM for Anomaly Detection [25.83270938475311]
AnomalyGenは、異常検出用に特別に設計された最初の自動ログ合成フレームワークである。
本フレームワークは,プログラム解析とChain-of-Thought推論(CoT推論)を統合し,反復的なログ生成と異常アノテーションを実現する。
合成ログでベンチマークデータセットを増大させると、最大F1スコアの3.7%の改善が観測される。
論文 参考訳（メタデータ） (2025-04-16T16:54:38Z) - Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis [0.0]
本研究では,新しい断層分類フレームワークを提案する。
様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。
ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
論文 参考訳（メタデータ） (2025-04-13T04:21:11Z) - Learning sparse generalized linear models with binary outcomes via iterative hard thresholding [20.28503550819373]
統計学において、一般化線形モデル(GLM)はデータモデリングに広く用いられている。
本稿では,2次反復型ハードしきい値(BIHT)と呼ばれる反復型ハードしきい値(ReLU損失に対する投射勾配勾配)アルゴリズムの使用と解析を提案する。
BIHTは統計的に効率的であり、スパースバイナリGLMの一般クラスにおいてパラメータ推定のための正しい解に収束することを示す。
論文 参考訳（メタデータ） (2025-02-25T17:42:33Z) - S*: Test Time Scaling for Code Generation [55.11863577956177]
コード生成のための最初のハイブリッドテストタイムスケーリングフレームワークであるS*を提案する。
S*は生成されたコードのカバレッジと選択精度を大幅に改善する。
論文 参考訳（メタデータ） (2025-02-20T09:18:53Z)
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。