基于元学习和原型网络的跨域泛化日志异常检测
机器学习
2026-01-22 v1
摘要
日志异常检测对于系统可靠性至关重要，但考虑到其涉及类别不平衡，执行起来极具挑战性。此外，在一个领域训练的模型不适用于其他领域，因此需要跨域适应（例如HDFS和Linux）。由于显著的数据漂移以及新目标域中固有的标记异常缺失，传统检测模型通常难以泛化。为了应对上述挑战，我们提出了一种基于元学习方法的新型端到端框架。我们的方法首先通过结合Drain3日志解析机制和基于动态漂移的标记技术来准备数据，该技术使用语义和模糊匹配将现有的异常知识从一个源迁移到另一个源。获取基于BERT的语义嵌入，并调用特征选择来降低维度。随后，训练模型无关元学习和原型网络以实现快速有效的适应。采用SMOTE过采样方法来处理数据不平衡。所有结果均通过留一源法获得，并报告相应的平均F1分数。我们的实证结果验证了所提出的元学习驱动方法获得了最高的平均F1分数，并证明其在跨域设置中是有效的。
引用
@article{arxiv.2601.14336,
title = {Log anomaly detection via Meta Learning and Prototypical Networks for Cross domain generalization},
author = {Krishna Sharma and Vivek Yelleti},
journal= {arXiv preprint arXiv:2601.14336},
year = {2026}
}