$K^4$：基于无监督典型性学习的在线日志异常检测
机器学习
2026-05-12 v1 计算与语言
分布式、并行与集群计算
摘要
现有的日志异常检测 (LogAD) 方法往往缓慢、依赖 error-prone 解析，并使用不真实的 evaluation 协议。我们引入 ，一个无监督且 parser-independent 的高性能在线检测框架。 将任意 log embeddings 转换为由 efficient k-最近邻 (k-NN) statistics 构成的紧凑四维描述符 (Precision, Recall, Density, Coverage)。这些描述符 enable 轻型检测器在不重新训练的情况下准确评分异常。采用更真实的 online evaluation 协议， 设置了新的 state-of-the-art (AUROC: 0.995-0.999)，在 baseline 基础上大幅度提升，同时速度快了几个数量级，training 时间不到 4 秒，inference 低至 4 s。
引用
@article{arxiv.2507.20051,
title = {$K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning},
author = {Weicong Chen and Vikash Singh and Zahra Rahmani and Debargha Ganguly and Mohsen Hariri and Vipin Chaudhary},
journal= {arXiv preprint arXiv:2507.20051},
year = {2026}
}