面向不一致 ICT 系统持续异常检测的深度学习模型划分方法
网络与互联网体系结构
2020-03-25 v1 机器学习
应用统计
机器学习
摘要
健康监控对于维护可靠的信息与通信技术（ICT）系统十分重要。基于机器学习、训练描述“正常态”模型的异常检测方法在监控 ICT 系统状态方面颇具前景。然而，当被监控日志数据的类型因某些设备更换而不同于训练数据时，这些方法便无法使用。因此，此类方法可能忽略日志数据变化时出现的异常。为解决该问题，我们提出一种基于日志数据相关性划分深度学习模型的 ICT 系统监控方法。我们还提出一种从深度学习模型中提取日志数据相关性并依据相关性分离日志数据的算法。当部分日志数据发生变化时，我们的方法可利用不受日志数据变化影响的划分后模型持续进行健康监控。我们给出了基于基准数据与真实日志数据的实验结果，表明我们使用划分模型的方法不会降低异常检测精度，且即便部分日志数据变化，用于异常检测的模型也可被划分以持续监控网络状态。
引用
@article{arxiv.2003.10783,
title = {Dividing Deep Learning Model for Continuous Anomaly Detection of Inconsistent ICT Systems},
author = {Kengo Tajiri and Yasuhiro Ikeda and Yuusuke Nakano and Keishiro Watanabe},
journal= {arXiv preprint arXiv:2003.10783},
year = {2020}
}
备注
Accepted for IEEE/IFIP Network Operations and Management Symposium 2020 (NOMS2020)