面向操作系统日志的点态与集体异常检测统一框架：协作变换器方法

日志异常检测对于维护操作系统的安全至关重要。根据日志数据收集来源，日志中记录的各种信息可被视为不同的日志模态。鉴于这一直觉，单模态方法往往忽略了日志数据的不同模态；而多模态方法则难以处理这些模态之间的相互作用。将多模态情感分析应用于日志异常检测，我们提出了 CoLog 框架，通过协作变换器综合编码日志数据。CoLog 利用协作变换器和多头注意力机制学习多个模态之间的相互作用，确保全面异常检测。为处理这些相互作用导致的异构性，CoLog 引入了模态适应层，对来自不同日志模态的表示进行适配。该方法使 CoLog 能够学习数据中细粒度的模式和依赖，从而提升异常检测能力。广泛的实验表明，CoLog 在七个基于日志的异常检测基准数据集上优于现有最先进方法。具体而言，在检测点态和集体异常时，CoLog 在七个基准数据集上实现了平均精确率 99.63%、平均召回率 99.59% 和平均 F1 分数 99.61%。CoLog 的全面检测能力使其非常适用于网络安全、系统监控和运营效率。CoLog 代表了日志异常检测领域的重大进步，为解决自动化日志数据分析所面临的复杂挑战，提供了一个精细且有效的统一框架。我们还在 https://github.com/NasirzadehMoh/CoLog 上提供了 CoLog 的实现代码。