FedLAD：面向联邦日志异常检测的模块化自适应测试平台
软件工程
2025-12-10 v1 机器学习
摘要
基于日志的异常检测（LAD）对于确保大规模分布式系统的可靠性至关重要。然而，大多数现有LAD方法假设采用集中式训练，由于隐私限制和系统日志的去中心化特性，这往往难以实现。虽然联邦学习（FL）提供了一条有前景的替代方案，但缺乏专为联邦环境下LAD需求量身定制的专用测试平台。为此，我们提出FedLAD——一个用于在FL约束下训练和评估LAD模型的统一平台。FedLAD支持对多样化LAD模型、基准数据集和聚合策略进行即插即用集成，同时提供运行时支持，包括验证日志记录（自监控）、参数调优（自配置）以及自适应策略控制（自适应）。通过实现可重复且可扩展的实验，FedLAD弥合了FL框架与LAD需求之间的鸿沟，为未来研究提供了坚实的基础。项目代码已公开：https://github.com/AA-cityu/FedLAD。
引用
@article{arxiv.2512.08277,
title = {FedLAD: A Modular and Adaptive Testbed for Federated Log Anomaly Detection},
author = {Yihan Liao and Jacky Keung and Zhenyu Mao and Jingyu Zhang and Jialong Li},
journal= {arXiv preprint arXiv:2512.08277},
year = {2025}
}
备注
Accepted Artifact at ACSOS 2025