基于日志的可扩展自适应异常检测：一种协同方法

《ACM Transactions on Software Engineering and Methodology》：Scalable and Adaptive Log-based Anomaly Detection: A Synergistic Approach

　　

摘要AI 摘要

如需查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

系统日志对于软件可靠性至关重要。尽管现有的基于日志的自动异常检测方法众多，但在大规模云系统中，由于资源消耗高且对演变日志的适应性差，这些方法往往难以胜任。本文提出了 SeaLog——一种准确、轻量且自适应的基于日志的异常检测框架，它将传统数据驱动方法的效率与大语言模型（LLM）的零样本/少样本学习能力协同整合。SeaLog 由一个轻量级检测代理和一个骨干分析器组成。检测代理利用 n-gram 概率树（NPT）进行高效的异常检测。骨干分析器采用增强上下文学习（ICL）的大语言模型，提供准确且自适应的预测，尤其适用于未见过的日志数据。两个组件均从现场工程师确认的异常中持续获益。我们在三个公开数据集（BGL、Thunderbird 和 HDFS）以及一个工业数据集上评估了 SeaLog，并使用多种大语言模型骨干（包括开源模型）来评估其对模型选择的鲁棒性。SeaLog 在所有数据集上均表现出强大的有效性（F1 分数为 0.949–0.999），运行速度提升 2 倍至 5 倍，且仅消耗 5% 至 41% 的内存资源。此外，我们已成功将 SeaLog 部署到华为云，并分享了部署过程中的见解与经验。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。它旨在支持信息发现、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。它是对作者提供的摘要的补充，后者仍是本文的主要摘要。全文仍为权威版本。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来重新生成的版本。

如需查看此 AI 生成的简明摘要，您必须拥有高级访问权限。