基于日志的异常检测中的量子机器学习：挑战与机遇
机器学习
2024-12-19 v1 量子物理
摘要
基于日志的异常检测（LogAD）是智能运维（AIOps）的核心组成部分，能够实时检测系统运行过程中出现的异常。现有方法通常利用经典机器学习技术提取日志序列特征，以判断新序列是否为异常。然而，这些经典方法往往需要在效率和准确性之间进行权衡。量子机器学习（QML）的出现提供了一种有前景的替代方案。通过将部分经典机器学习计算转化为参数化量子电路（PQC），QML可以在保持与经典方法相当准确性的同时，显著减少可训练参数的数量。在本工作中，我们引入了一个统一框架\ourframework{}，用于在LogAD背景下评估QML模型。该框架整合了多样化的日志数据、集成的QML模型以及全面的评估指标。我们的框架包含了诸如DeepLog、LogAnomaly和LogRobust等最先进方法及其量子转化版本。除了F1分数、精确率和召回率等标准指标外，我们的评估还扩展到对QML性能至关重要的因素，如特异性、电路数量、电路设计和量子态编码。利用\ourframework{}，我们进行了大量实验来评估这些模型及其量子对应版本的性能，揭示了有价值的见解，并为未来QML模型选择和设计在LogAD中的研究铺平了道路。
引用
@article{arxiv.2412.13529,
title = {Quantum Machine Learning in Log-based Anomaly Detection: Challenges and Opportunities},
author = {Jiaxing Qi and Chang Zeng and Zhongzhi Luan and Shaohan Huang and Shu Yang and Yao Lu and Bin Han and Hailong Yang and Depei Qian},
journal= {arXiv preprint arXiv:2412.13529},
year = {2024}
}