.png){kind=icon}
返回
ilLog: Incremental Learning Based Anomaly Detection From Evolving System Logs
.png){kind=icon}
PRE
AI
DOI：10.1109/tdsc.2026.3690744.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
日志异常检测（LAD）对于提升软件系统的可靠性和稳定性至关重要。当前最先进的LAD方法在处理由系统更新导致的持续演变的日志事件时，性能显著下降。为在日志数据演变的背景下构建可靠的LAD模型，我们提出了一种基于增量学习的方法ilLog，以避免在持续更新模型以改进检测时遗忘先前学到的知识。具体而言，我们设计了一种新颖的熵驱动排序算法用于真实日志样本回放，该算法通过存储来自先前任务的具有离散序列特征的代表性样本，实现了旧知识的保留。此外，我们引入了一种基于Halton的低差异序列，以更好地近似两个模型概率分布之间的切片Cramér距离，从而增强模型学习能力。基于标准的增量学习协议设置，我们在三个公开数据集上评估了新提出的ilLog方法。实验结果表明，与SOTA LAD方法以及在演变软件系统中应用现有IL基方法构建的模型相比，我们的方法取得了最佳性能。
Keyword:
Log anomaly detection
incremental learning
information entropy
Quasi-Monte Carlo
期刊
IF:
7.5
论文数:
2.6K
被引数:
9.6K
机构
引用论文
.png){kind=icon}
DeepSyslog: Deep Anomaly Detection on Syslog Using Sentence Embedding and MetadataDeepSyslog: 使用句子嵌入和元数据对Syslog进行深度异常检测
OAAI
OAAI分享收藏
MetaLog: Generalizable Cross-System Anomaly Detection from Logs with Meta-LearningMetaLog：基于元学习的通用跨系统日志异常检测OAAI
OAAI分享收藏分享收藏
查看更多内容