.png){kind=icon}
返回
CLlog: A collaborative learning-based anomalous log detection model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111943.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有基于监督学习的日志异常检测方法通常需要大量标记的异常样本。然而，这种对标记数据的依赖成本高昂，而半监督学习模型在从日志中有效提取特征方面面临挑战。为解决这些问题，我们提出了CLlog，一种基于协作学习的异常日志检测模型。协作学习利用图注意力网络（GAT）和图卷积网络（GCN）之间的相互学习和知识迁移，以实现更好的特征提取和分类。该模型不需要标记的异常样本，显著降低了数据标注成本。在我们的方法中，首先将日志转换为有向图结构，以捕捉日志条目之间的复杂交互和网络拓扑特征。然后，通过协作学习机制，GAT和GCN在训练过程中相互指导和学习，从而在精度上实现相互提升。最后，通过协作学习机制，我们的模型有效结合了GAT和GCN的优势，使其仅使用正常样本进行训练即可准确识别异常日志。实验表明，我们的模型在五个公开数据集上展现出显著的检测优势，F1分数提升了7%。它有效解决了日志异常检测中标注成本高和提升检测精度方面的挑战。
期刊
IF:
4.6
论文数:
1.6K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏A Semi-supervised Approach for Industrial Anomaly Detection via Self-adaptive Clustering基于自适应聚类的半监督工业异常检测方法
PREAI
分享收藏分享收藏
查看更多内容