A graph-based file-level anomaly detection framework for system logs

doi:10.1016/j.engappai.2026.115345

A graph-based file-level anomaly detection framework for system logs

2026-06-13

0

PRE

AI

DOI：10.1016/j.engappai.2026.115345

原文链接

原文求助

摘要

En 中文

系统日志对于监控系统状态和检测异常至关重要。在现有文献中，日志已通过预处理提取事件序列，并进一步输入到专用的基于神经网络的模型中用于检测异常，取得了有前景的性能。然而，这些方法忽略了上下文信息和复杂的事件关系。尽管一些基于图的方法对此进行了处理，但它们利用了日志事件之间的时间结构，并且主要关注日志段的分类。在本文中，我们提出了一种新颖的框架，称为基于深度图日志异常检测（DeepGraLog），该框架将检测粒度推进到代码文件级别。首先，DeepGraLog使用一种新颖的图表示学习模块来捕捉事件关系和代码文件交互。这种图表示能够同时实现异常检测和源代码定位。其次，它首次引入加权静态调用图，从业务逻辑的角度勾勒系统功能的概览，进一步提高了日志异常检测的性能。第三，由于数据集的限制，我们创建了两个新的数据集以服务于我们的任务，并额外添加了动态调用信息和代码文件中标注的根因。实验表明，DeepGraLog始终优于现有方法。在所有评估设置中，它相较于第二好的基线方法，平均F1分数提升了9.995%，展示了稳健的性能。

A graph-based file-level anomaly detection framework for system logs

摘要

期刊

机构

引用论文