双Attlog:基于日志的异常检测的上下文意识的双重注意网络
Haitian Yang1, Degang Sun2, Weiqing Huang1
1Institute of Information Engineering, Chinese Academy of Sciences, Beijing, 100080, China; School of Cyber Security, University of Chinese Academy of Sciences, Beijing, 100080, China.
概括
本研究介绍了DualAttlog,这是一种新型日志异常检测模型,可以处理动态日志数据. 通过分析单词级和序列级语义,DualAttlog显著提高了检测准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 现有的日志驱动异常检测方法经常由于假设静态日志数据而失败.
- 动态和不断变化的日志数据对传统的异常检测系统构成了重大挑战.
研究的目的:
- 提出一个新的日志异常检测模型,DualAttlog,能够处理动态日志数据.
- 为了提高日志序列中异常检测的准确性和稳定性.
主要方法:
- 开发了DualAttlog,一个包含单词级和序列级语义编码模块的模型.
- 利用自我匹配的注意力机制进行文字级编码,以捕捉本地语义交互.
- 使用预训练模型进行序列级编码以提取全球语义信息.
- 整合了两个级别的编码,使用上下文意识的双重注意模块来减少冗余并改善检测.
主要成果:
- 在7个公共数据集中,DualAttlog实现了超过95%的F1-Score.
- 在真实世界的工业数据集上表现出强的表现,F1-Score为82.35% (真实工业W) 和83.54% (真实工业Q).
- 在9个不同的数据集上表现优于现有的基线技术,突出其显著优势.
结论:
- 双Attlog有效地解决了在异常检测中静态日志假设的局限性.
- 该模型的双重注意力机制和层次语义编码显著提高了检测准确性.
- 双Attlog代表了基于日志的异常检测的实质性进步,特别是对于动态环境.
