计算机应用研究

作者：尹春勇,孔娴,

单位：南京信息工程大学计算机学院,南京210044；

关键词：日志解析,异常检测,半监督学习,双向时间卷积网络,上下文相关性,

基金：国家自然科学基金面上项目(6177282)；；

由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率，所以提出了一种新的基于日志的半监督异常检测方法。首先，通过改进字典的日志解析方法，保留了日志事件中的部分参数信息，从而提高日志信息的利用率和日志解析的准确率；然后，使用BERT对模板中的语义信息进行编码，获得日志的语义向量；接着采用聚类的方法进行标签估计，缓解了数据标注不足的问题，有效提高了模型对不稳定数据的检测；最后，使用带有残差块的双向时间卷积网络（Bi-TCN）从两个方向捕获上下文信息，提高了异常检测的精度和效率。为了评估该方法的性能，在两个数据集上进行了评估，最终实验结果表明，该方法与最新的三个基准模型LogBERT、PLELog和LogEncoder相比，F1值平均提高了7%、14.1%和8.04%，能够高效精准地进行日志解析和日志异常检测。

来源：2024年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第7期