RationAnomaly：基于链路思维与强化学习的日志异常检测
人工智能
2025-09-23 v2
摘要
日志是软件系统运行状态的证据形式。自动化日志异常检测对于确保现代软件系统的可靠性至关重要。然而，现有方法面临显著局限：传统深度学习模型缺乏可解释性和泛化能力，而利用大型语言模型的方法常受不可靠性和事实错误的制约。为此，我们提出了 RationAnomaly—a 一个新型框架，通过协同作用链路思维（Chain-of-Thought, CoT）微调与强化学习来增强日志异常检测。我们的ethods首先通过基于严格专家驱动过程纠正后的数据集进行 CoT 指导的监督微调，以灌输类似专家的推理模式。随后，采用多维奖励函数进行强化学习阶段，以优化准确性和逻辑一致性，有效缓解幻觉问题。实验结果表明，RationAnomaly 在关键基准数据集上以优异的 F1 分数超越最先进的基线方法，同时提供透明的逐步分析输出。我们已发布相应资源，包括代码和数据集。
引用
@article{arxiv.2509.14693,
title = {RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning},
author = {Song Xu and Yilun Liu and Minggui He and Mingchen Dai and Ziang Chen and Chunguang Zhao and Jingzhou Du and Shimin Tao and Weibin Meng and Shenglin Zhang and Yongqian Sun and Boxing Chen and Daimeng Wei},
journal= {arXiv preprint arXiv:2509.14693},
year = {2025}
}
备注
5 pages, 3 figures