返回
CoLA: Model Collaboration for Log-based Anomaly Detection
DOI:10.14778/3749646.3749668.png)
摘要
En 中文
基于日志的异常检测在确保系统可靠性方面发挥着关键作用。尽管基于深度学习的小型检测模型(SDMs)具有高效性,但大型语言模型(LLMs)则更为精确,并且能够提供解释。直观地看,一个引人深思的问题由此产生:我们能否无缝融合这两种方法的优势?在本项工作中,我们深入探讨了这一尚未充分研究的方向,并提出了一种新型协同日志异常检测框架CoLA。在协同推理过程中,SDM充当过滤器以筛选潜在的异常实例,而下游的LLM则作为专家负责检测异常、提供解释并优化SDM。在三个大型真实世界数据集上的广泛实验表明,CoLA在有效性、效率和可解释性方面显著优于当前最先进的方法,同时还能大幅降低人力成本。
Keyword:
LANGUAGE MODELS
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
Unicorn: A Unified Multi-tasking Model for Supporting Matching Tasks in Data Integration独角兽:一个支持数据集成中匹配任务的统一多任务模型
ScienceBenchmark: A Complex Real-World Benchmark for Evaluating Natural Language to SQL SystemsScienceBenchmark:一个用于评估自然语言到SQL系统性能的复杂真实世界基准
Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes语言模型实现了生成异构数据湖结构化视图的简单系统

