GALLog：一种结合主动学习的基于图的日志异常检测方法

《ACM Transactions on Software Engineering and Methodology》：GALLog: A Graph-based Log Anomaly Detection Method with Active Learning

　　

摘要AI摘要

查看此AI生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

系统日志持续记录系统的状态和内部运行细节，在定位和解决软件异常方面发挥着至关重要的作用。近年来，提出了许多基于深度学习的方法，通过分析日志来检测系统异常。然而，仍有几个关键挑战有待解决。首先，现有方法高度依赖昂贵且需要人工标注的信息。其次，使用序列模型表示日志信息的主流方法可能不够充分。为应对这些挑战，我们提出了GALLog，一种结合主动学习的基于图的日志异常检测方法。GALLog首先将日志序列转换为图，并通过图注意力网络学习序列模型中被忽视的结构信息。为了最大限度地利用有限的标注预算，我们引入了一种混合主动学习策略来选择有价值的日志条目进行标注。具体而言，代表性策略确保样本的多样性，而不确定性策略则专注于捕获低置信度样本。此外，我们还设计了一种基于图表示学习的数据增强方法，用于减少样本冗余并进一步增强不确定样本。实验表明，在现实的低标注预算条件下，GALLog的表现优于现有方法，并且大量的消融实验证明了设计中每个组件的有效性。

AI摘要

AI生成摘要（实验性）

此摘要由自动化工具生成，未经本文作者撰写或审阅。提供此摘要旨在支持信息发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要概述。完整文章仍为权威记录版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的修订和重新生成版本。

查看此AI生成的简明摘要，您需要拥有高级访问权限。