使用序列生成对抗网络对日志消息过采样以进行异常检测与分类
机器学习
2020-06-16 v2 机器学习
摘要
处理不平衡数据是分类用机器/深度学习算法的主要挑战之一。该问题在日志消息数据中更为突出，因其通常极不平衡且负类日志稀少。本文提出一种使用 SeqGAN 网络生成文本日志消息的模型。随后利用自编码器提取特征，并使用 GRU 网络进行异常检测。所提模型在两个不平衡日志数据集（即 BGL 与 Openstack）上评估。结果显示，过采样与平衡数据提升了异常检测与分类的准确率。
引用
@article{arxiv.1912.04747,
title = {Oversampling Log Messages Using a Sequence Generative Adversarial Network for Anomaly Detection and Classification},
author = {Amir Farzad and T. Aaron Gulliver},
journal= {arXiv preprint arXiv:1912.04747},
year = {2020}
}
备注
14 pages, 4 figures, 2 tables