基于注意力多模态学习的软件系统异构异常检测
软件工程
2023-02-16 v2
摘要
快速准确地检测系统异常对于确保软件系统的可靠性至关重要。与利用所有可用运行时信息的人工努力不同，现有方法通常仅利用单一类型的监控数据（通常是日志或指标），或者未能有效利用多源数据间的联合信息。因此，会产生许多错误预测。为了更好地理解系统异常的表现形式，我们基于大量异构数据（即日志和指标）进行了一项全面的实证研究。我们的研究表明，系统异常在不同的数据类型中可能表现出截然不同的特征。因此，整合异构数据有助于恢复系统健康状态的完整图景。在此背景下，我们提出了HADES，这是首个基于异构数据有效识别系统异常的工作。我们的方法采用分层架构，通过融合日志语义和指标模式来学习系统状态的全局表示。它通过一种新颖的跨模态注意力模块从多模态数据中捕获判别性特征和有意义的交互，从而实现准确的系统异常检测。我们在大规模模拟和工业数据集上对HADES进行了广泛评估。实验结果展示了HADES在异构数据上检测系统异常的优越性。我们公开了代码和标注数据集，以供复现和未来研究使用。
引用
@article{arxiv.2207.02918,
title = {Heterogeneous Anomaly Detection for Software Systems via Attentive Multi-modal Learning},
author = {Baitong Li and Tianyi Yang and Zhuangbin Chen and Yuxin Su and Yongqiang Yang and Michael R. Lyu},
journal= {arXiv preprint arXiv:2207.02918},
year = {2023}
}
备注
The updated version of this paper has been submitted at arXiv:2302.06914 via another account. This duplicated and old version should be discarded