LogAction：通过主动域适应实现跨系统一致的日志基异常检测
机器学习
2025-10-10 v2 人工智能
分布式、并行与集群计算
软件工程
摘要
基于日志的异常检测是确保软件系统可靠性和性能的关键任务。然而，现有异常检测方法的性能严重依赖于标记，而对大量日志进行标记具有挑战性。为此，提出了许多基于迁移学习和主动学习的方法。然而，这些方法的有效性受到诸多问题的制约，如源和目标系统数据分布之间的差距以及冷启动问题。在本文中，我们提出了 LogAction，一种基于主动域适应的新颖日志基异常检测模型。LogAction 集成了迁移学习和主动学习技术。一方面，它使用来自成熟系统的标记数据训练基模型，减轻主动学习中的冷启动问题。另一方面，LogAction 利用自由能基采样和不确定性基采样选择位于分布边界上的日志进行手动标记，从而以最小的人工标记 effort 解决迁移学习中的数据分布差距。实验结果表明，在六套不同数据集组合上，LogAction 仅使用 2% 的手动标记即可实现 93.01% 的平均 F1 分数，净增优于一些最先进的方法 26.28%。网站：https://logaction.github.io
引用
@article{arxiv.2510.03288,
title = {LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation},
author = {Chiming Duan and Minghua He and Pei Xiao and Tong Jia and Xin Zhang and Zhewei Zhong and Xiang Luo and Yan Niu and Lingzhe Zhang and Yifan Wu and Siyu Yu and Weijie Hong and Ying Li and Gang Huang},
journal= {arXiv preprint arXiv:2510.03288},
year = {2025}
}
备注
The 40th IEEE/ACM International Conference on Automated Software Engineering, ASE 2025