PULL：基于迭代 PU 学习的反应式日志异常检测
机器学习
2023-01-26 v1
摘要
由于现代 IT 服务的复杂性，故障可能多种多样、发生于任何阶段且难以检测。因此，应用于日志等监控数据的异常检测可获取相关洞察，以持续改进 IT 服务并消除故障。然而，现有提供高精度的异常检测方法常依赖标记训练数据，而实践中获取这些数据耗时费力。为此，我们提出 PULL，一种基于监控系统提供的估计故障时间窗而非标记数据的迭代日志分析方法，用于反应式异常检测。我们的基于注意力的模型使用了一种用于弱监督深度学习的新型目标函数，该函数考虑了数据不平衡，并采用正类与未知样本（PU 学习）的迭代学习策略来识别异常日志。我们的评估表明，PULL 在三个不同数据集上持续优于十个基准基线，即使在非精确的故障时间窗内也能以超过 0.99 的 F1-score 检测异常日志消息。
引用
@article{arxiv.2301.10681,
title = {PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning},
author = {Thorsten Wittkopp and Dominik Scheinert and Philipp Wiesner and Alexander Acker and Odej Kao},
journal= {arXiv preprint arXiv:2301.10681},
year = {2023}
}
备注
published in the proceedings of the 56th Hawaii International Conference on System Sciences (HICSS 2023)