Deep Learning for Prawn Farming: Forecasting and Anomaly Detection
Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）；Agriculture & Food, CSIRO（澳大利亚联邦科学与工业研究组织农业与食品部）
我们提出了一个决策支持系统管理水质在对虾池塘。该系统以一种新颖的方式使用各种数据源和深度学习模型，提供24小时水质参数预测和异常检测。它为对虾养殖户提供了主动避免恶劣生长环境的工具，从而优化了生长并降低了库存损失的风险。这对农民来说是一个重大转变，他们被迫通过被动地纠正水质差的状况来管理池塘。据我们所知，我们是第一个应用Transformer作为异常检测模型，第一个应用异常检测一般这个水产养殖问题。我们的技术贡献包括为多变量数据调整ForecastNet，以及调整Transformer和Attention模型，以将天气预报数据纳入其解码器。我们达到了12%的平均溶解氧预测的平均绝对百分比误差，我们展示了两个异常检测的案例研究。该系统在商业对虾养殖场部署的第二年成功运行。
2022-05-12 cs.LG
LAnoBERT: System Log Anomaly Detection based on BERT Masked Language Model
Korea University（高丽大学）
本文提出无需解析器的 LAnoBERT，利用 BERT 掩码语言建模和逐日志键损失进行无监督系统日志异常检测，并在 HDFS、BGL、Thunderbird 上达到优于无监督基线、可比监督基线的效果。
2023-07-23 cs.CL cs.LG
LogGPT: Log Anomaly Detection via GPT
Utah State University（犹他州立大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对语言建模目标与日志异常检测不直接匹配的问题，本文提出 LogGPT 框架，利用 GPT 预测下一条日志，并通过强化学习微调以提升异常检测性能。
2023-12-11 cs.LG
TPLogAD: Unsupervised Log Anomaly Detection Based on Event Templates and Key Parameters
School of Computer Science and Technology（计算机科学技术学院）；Fudan University（复旦大学）
本文提出无监督日志异常检测方法TPLogAD，通过template2vec和para2vec分别建模事件模板与关键参数，在四个公开数据集上取得优于现有方法的效果。
2024-11-22 cs.AI cs.CL cs.CY
FastLogAD: Log Anomaly Detection with Mask-Guided Pseudo Anomaly Generation and Discrimination
University of Alberta（阿尔伯塔大学）
针对现有无监督日志异常检测需额外数据、速度不足的问题，提出FastLogAD框架，通过掩码引导生成伪异常日志，基于嵌入范数实现无测试数据的阈值选择，在基准上性能更优且检测速度至少提升10倍。
2024-04-12 cs.LG
A2Log: Attentive Augmented Log Anomaly Detection
Technische Universität Berlin（柏林工业大学）；Huawei（华为）
异常检测对于IT服务的可靠性和可服务性变得越来越重要。由于日志行记录IT服务执行期间的事件，因此它们是诊断的主要来源。因此，无监督方法提供了显着的好处，因为不是所有的异常都可以在训练时知道。现有的无监督方法需要异常的例子，以获得一个合适的决策边界所需的异常检测任务。这一要求造成了实际限制。因此，我们开发了A2Log，这是一种无监督的异常检测方法，包括两个步骤：异常评分和异常决策。首先，我们利用一个自我注意神经网络来执行每个日志消息的评分。其次，我们设置决策边界的基础上的数据增强的可用正常的训练数据。该方法在三个公开的数据集和一个行业数据集上进行了评估。我们表明，我们的方法优于现有的方法。此外，我们利用现有的异常的例子来设置最佳的决策边界，以获得强基线。我们表明，我们的方法，确定决策边界，而不利用异常的例子，可以达到分数的强基线。
2021-09-20 cs.LG
Adapting Large Language Models to Log Analysis with Interpretable Domain Knowledge
Nankai University（南开大学）；Huawei（华为）；Huawei Canada（华为加拿大）
针对通用大型语言模型（LLMs）在日志分析中因领域鸿沟和令牌分布问题导致性能受限的问题，本文提出融入可解释领域知识的持续预训练适配方法，构建NLPLog数据集并训练SuperLog模型，在四项任务中平均准确率较次优模型提升12.01%。
2025-08-26 cs.CL cs.SE
LogiCode: an LLM-Driven Framework for Logical Anomaly Detection
本文提出LogiCode框架，利用大语言模型自动生成Python代码检测工业逻辑异常，并通过LOCO-Annotations数据集和LogiBench基准验证其在准确率、可解释性等方面的提升。
2024-06-07 cs.CV cs.LG
ADALog: Adaptive Unsupervised Anomaly detection in Logs with Self-attention Masked Language Model
NeuroEdge AI；Cognizant
ADALog通过自适应无监督方法在日志中检测异常，利用预训练双向编码器和自适应阈值处理，实现高效准确的异常检测。
2025-05-15 cs.AI cs.CL cs.LG
LogGPT: Exploring ChatGPT for Log-Based Anomaly Detection
Beihang University（北京航空航天大学）；Concordia University（康考迪亚大学）
LogGPT利用ChatGPT的语言理解能力构建日志异常检测框架，在BGL和Spirit数据集上优于三种深度学习方法，展现出良好性能与可解释性。
2023-09-03 cs.AI cs.LG cs.SE
Unsupervised Anomaly Detection in ALS EPICS Event Logs
本文为ALS的EPICS控制系统提出一种无监督异常检测框架，通过语义嵌入和序列感知神经网络对实时事件日志进行异常评分，帮助操作员快速识别系统故障前的关键事件序列。
2025-09-17 cs.LG
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning
Technische Universität Berlin（柏林工业大学）
由于现代IT服务的复杂性，故障可能是多种多样的，发生在任何阶段，并且难以检测。因此，将异常检测应用于日志等监控数据，可以获得相关见解，以稳步改善IT服务并消除故障。然而，现有的异常检测方法，提供高精度往往依赖于标记的训练数据，这是耗时的，以获得在实践中。因此，我们提出了PADER，一个迭代日志分析方法的反应性异常检测的基础上估计的故障时间窗口提供的监测系统，而不是标记的数据。我们的基于注意力的模型使用了一种新的弱监督深度学习目标函数，该目标函数考虑了不平衡的数据，并对正样本和未知样本（PU学习）应用迭代学习策略来识别异常日志。我们的评估表明，PSTOM在三个不同的数据集上始终优于十个基准基线，并且即使在不精确的故障时间窗口内也能检测到F1分数超过0.99的异常日志消息。
2023-01-25 cs.LG
Seeing the Needle in the Haystack: Towards Weakly-Supervised Log Instance Anomaly Localization via Counterfactual Perturbation
Jinan University Guangzhou, China（广州吉林大学）；South China University of Technology Guangzhou, China（华南理工大学）
本文提出 LogMILP 框架，通过原型引导的结构建模与反事实扰动一致性正则化，在仅使用袋级标签的情况下实现日志异常检测与实例级定位，提升定位可靠性与可解释性。
2026-05-09 cs.AI cs.LG
$K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning
Case Western Reserve University（凯斯西储大学）
$K^4$通过无监督方法将日志嵌入转化为四维描述符，实现高效在线异常检测，取得新的AUROC性能，比基线模型快多个数量级。
2025-07-26 cs.CL cs.DC cs.LG
LogELECTRA: Self-supervised Anomaly Detection for Unstructured Logs
NTT Social Informatics Laboratories（NTT社会信息学实验室）
针对现有日志异常检测方法在未知模板和点异常检测延迟上的局限，提出基于自监督的LogELECTRA模型，利用ELECTRA分析单行日志语义以实现点异常检测，在BGL、Sprit和Thunderbird数据集上优于现有方法。
2024-02-16 cs.LG cs.SE
ClusterLog: Clustering Logs for Effective Log-based Anomaly Detection
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
随着高性能计算（HPC）环境中可伸缩文件系统的日益普及，对运行时日志进行准确的异常检测的重要性日益增加。但就目前而言，许多基于日志的异常检测的最先进方法（如DeepLog）在应用于来自许多并行文件系统（PFS）的日志时遇到了许多挑战，这通常是由于它们在基于时间的日志序列中的不规则性和模糊性。为了避免这些问题，本研究提出了一种日志预处理方法，聚类的时间序列的日志关键字的语义相似性的基础上，日志预处理方法。通过对语义和情感相似的日志进行分组，该方法旨在用最少的唯一日志键表示日志序列，旨在提高下游基于序列的模型有效学习日志模式的能力。初步实验结果表明，该方法不仅能有效地降低日志序列的粒度，而且不丢失重要的序列信息，而且对不同文件系统的日志具有通用性。
2023-01-19 cs.DC cs.LG
Anomaly Detection in Certificate Transparency Logs
Faculty of Mathematics, Physics and Informatics（数学、物理与信息学院）；Comenius University（考门斯基大学）
针对 X.509 linter 合规测试的不足，本文提出基于 Isolation Forest 的证书异常检测方法，并在证书透明度日志样本上验证其识别合规性之外异常的能力。
2024-05-08 cs.CR cs.LG
Topological Data Analysis for Anomaly Detection in Host-Based Logs
The Alan Turing Institute（艾伦·图灵研究所）；The British Library（大英图书馆）
拓扑数据分析（TDA）使从业人员能够分析网络安全数据的全局结构。我们使用TDA在基于主机的日志中进行异常检测，这些日志是通过开源Logging Made Easy（LME）项目收集的。我们提出了一种方法，直接从Windows日志中建立单纯复合体的过滤，使其内在结构的分析，使用拓扑工具。我们比较持久的同源性和频谱图和超图拉普拉斯算子作为特征向量对标准日志嵌入计数事件的功效，并发现计算机日志的拓扑和频谱嵌入包含用于对异常日志进行分类的判别信息，该信息是标准嵌入的补充。最后，我们讨论了我们的方法被用作异常检测的一个可解释的框架的一部分的潜力。
2022-04-25 cs.AI cs.CR cs.LG
LogLead -- Fast and Integrated Log Loader, Enhancer, and Anomaly Detector
University of Helsinki（赫尔辛基大学）
本文提出集成日志加载、增强与异常检测的工具 LogLead，支持多系统数据集、多种日志表示及九类机器学习算法，并在加载和解析速度上取得显著提升。
2024-01-19 cs.LG cs.SE
CSCLog: A Component Subsequence Correlation-Aware Log Anomaly Detection Method
Zhejiang University（浙江大学）；Alibaba Cloud Intelligence（阿里云智能）
本文提出CSCLog日志异常检测方法，通过LSTM捕获组件子序列内顺序依赖，利用隐式相关性编码器和GCN建模子序列间隐式相关性与信息交互，并用注意力机制融合嵌入，在四个公开日志数据集上取得优于最佳基线平均7.41%的Macro F1-Measure提升。
2023-07-07 cs.LG
Extending Dynamic Bayesian Networks for Anomaly Detection in Complex Logs
University of Antwerp（安特卫普大学）
检查来自不同进程的各种日志文件可能是一项繁琐的任务，因为这些日志包含大量事件，每个事件都有（可能很大）数量的属性。我们开发了一种方法来自动建模日志文件和检测数据中的离群跟踪。为此，我们扩展了动态贝叶斯网络来模拟日志文件中的正常行为。我们引入了一种新的算法，能够从数据本身开始学习日志文件的模型。即使日志文件中出现新值或新的值组合，该模型也能够对跟踪进行评分。
2018-08-17 cs.AI cs.LG
Log Message Anomaly Detection and Classification Using Auto-B/LSTM and Auto-GRU
University of Victoria（维多利亚大学）
日志消息在软件系统中得到了广泛的应用。它们对于分类很重要，因为每天生成数百万个日志。大多数日志都是非结构化的，这使得分类成为一项挑战。本文开发了称为Auto-LSTM、Auto-BLSTM和Auto-GRU的深度学习（DL）方法，用于异常检测和日志分类。这些模型用于将非结构化日志数据转换为适合分类算法的提取特征。他们使用四个数据集进行评估，即BGL，OpenStack，Thunderbird和IMDB。前三个是流行的日志数据集，而第四个是用于情感分类的电影评论数据集。结果表明，Auto-LSTM、Auto-BLSTM和Auto-GRU的性能优于其他知名算法。
2021-04-07 cs.LG stat.ML
Federated Anomaly Detection over Distributed Data Streams
FEUP（波尔图大学工程学院）；INESC TEC（葡萄牙国家能源与电网研究所）；FCUP（波尔图大学理学院）；FEP（波尔图大学经济学院）
例如，由于隐私立法和法规以及其他重要的道德问题，即使在高聚合水平上，电信网络数据的共享如今也受到高度限制。它导致数据分散在机构、地区和州之间，抑制了人工智能方法的使用，否则这些方法可以大规模利用数据。它需要建立一个平台来控制这些数据，建立模型或执行计算。在这项工作中，我们提出了一种方法来建立异常检测，联邦学习和数据流之间的桥梁。这项工作的首要目标是在分布式数据流上检测联邦环境中的异常。这项工作通过在异常检测的联邦学习设置中调整数据流算法，并通过提供一个强大的框架和在真实世界的分布式部署场景中演示实际可行性，补充了最先进的技术。
2022-05-17 cs.DC cs.LG
Anomaly Sequences Detection from Logs Based on Compression
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
从日志中挖掘信息是一个古老而活跃的研究课题。近年来，随着云计算的迅速兴起，日志挖掘对工业界的影响越来越大。针对日志挖掘的主要任务之一：异常检测，提出了一种新的从大日志中挖掘异常序列的方法。与以往基于统计、概率和马尔可夫假设的异常检测系统不同，本文提出的方法利用压缩来度量序列的奇异性。该算法首先利用基于文法的压缩训练出一个关于正常行为的文法，然后根据文法长度的增加来度量可疑序列的信息量和信息密度。我们已经将我们的方法应用于从细粒度的执行日志中挖掘一些真正的错误。我们还测试了它的入侵检测能力，使用一些公开的系统调用跟踪。实验结果表明，该方法能够成功地筛选出与漏洞或攻击相关的奇怪序列。
2011-09-08 cs.DS cs.LG
A Critical Review of Common Log Data Sets Used for Evaluation of Sequence-based Anomaly Detection Techniques
Center for Digital Safety & Security, Austrian Institute of Technology（数字安全与安全中心，奥地利技术研究所）
本文批判性分析了六个常用日志数据集，发现大多数异常与序列模式变化无直接关联，简单技术即可达到高检测率，质疑了现有基于序列的深度学习异常检测评估基准的合理性。
2023-09-06 cs.LG
Beyond Window-Based Detection: A Graph-Centric Framework for Discrete Log Anomaly Detection
Sino-German Joint Software Institute, Beihang University（北京航空航天大学中德软件学院）
针对传统窗口方法在日志异常检测中的上下文偏差与定位模糊问题，提出图中心框架TempoLog，利用多尺度时序图网络直接构建动态图，实现事件级异常检测，在公共数据集上达到最先进性能。
2025-01-21 cs.LG cs.SE
Exploring Block Anomaly Detection In HDFS Log Data Analysis
本研究针对HDFS日志人工异常检测复杂枯燥的问题，提出结合LLM-BiLSTM模型与Kafka流式管道的检测方案，实现HDFS块异常的快速准确检测。
2026-08-03 cs.DC cs.LG cs.SE
Deep Learning for Anomaly Detection in Log Data: A Survey
Center for Digital Safety and Security, AIT Austrian Institute of Technology（奥地利技术研究所数字安全与安保中心）
本综述系统梳理了深度学习在日志数据异常检测中的应用，涵盖模型架构、数据预处理、检测技术与评估方法，旨在帮助读者理解不同架构特点并指出未来研究方向。
2023-05-15 cs.LG
Detecting Log Anomalies with Multi-Head Attention (LAMA)
Huawei Technologies Co., Ltd（华为技术有限公司）
异常检测是一个重要的和具有挑战性的课题，已经在不同的研究领域进行了研究。在这项工作中，我们探讨的任务日志异常检测（特别是计算机系统日志和用户行为日志）通过分析日志的顺序信息。我们提出了LAMA，一个基于多头注意力的顺序模型来处理日志流作为模板活动（事件）序列。应用下一事件预测任务来训练用于异常检测的模型。大量的实证研究表明，该模型优于现有的日志异常检测方法，包括统计和深度学习方法，验证了该方法在学习日志数据序列模式方面的有效性。
2021-01-07 cs.CR cs.LG
Experience Report: Deep Learning-based System Log Analysis for Anomaly Detection
The Chinese University of Hong Kong（香港中文大学）；Sun Yat-sen University（中山大学）；Huawei Cloud BU（华为云业务部）
对于许多软件系统，特别是大型分布式系统，可靠性和连续性是一个必不可少的资源。它们忠实地记录运行时信息，以便于系统故障排除和行为理解。由于现代软件系统的规模和复杂性，日志的数量已经达到了前所未有的水平。因此，对于基于日志的异常检测，传统的手动检查方法或甚至传统的基于机器学习的方法变得不切实际，这成为基于深度学习的解决方案的快速开发的催化剂。然而，目前缺乏严格的比较之间的代表性的日志为基础的异常检测器，诉诸神经网络。此外，重新实现过程需要付出不小的努力，并且很容易引入偏差。为了更好地了解不同的异常检测器的特点，在本文中，我们提供了一个全面的审查和评估五个流行的神经网络使用的六个国家的最先进的方法。特别地，所选择的方法中有四种是无监督的，其余两种是有监督的。这些方法进行了评估与两个公开的日志数据集，其中包含近1600万日志消息和0.4万异常实例。我们相信我们的工作可以作为这一领域的基础，并有助于未来的学术研究和工业应用。
2022-01-11 cs.LG cs.SE
Data Drift Monitoring for Log Anomaly Detection Pipelines
IBM Research（IBM研究院）
本文提出一种基于贝叶斯因子的漂移检测方法，用于识别日志异常检测（LAD）模型何时需要人工介入、重训练和更新，并通过真实与模拟日志数据验证了其有效性。
2023-10-17 cs.LG cs.SY eess.SY
LogPurge: Log Data Purification for Anomaly Detection via Rule-Enhanced Filtering
Nankai University（南开大学）；Huawei（华为）；Tsinghua University（清华大学）
针对日志异常检测中干净训练数据获取成本高、现有自动清洗方法未结合日志特性的问题，提出规则增强的两阶段过滤净化框架LogPurge，在多数据集上实现了更优的异常净化与检测性能。
2025-11-18 cs.LG cs.SE
Log-based Anomaly Detection with Deep Learning: How Far Are We?
The University of Newcastle（纽卡斯尔大学）
软件密集型系统生成日志用于故障排除目的。最近，已经提出了许多深度学习模型来基于日志数据自动检测系统异常。这些模型通常要求非常高的检测精度。例如，大多数模型在常用的HDFS数据集上报告的F测量值大于0.9。为了深刻理解我们距离解决基于日志的异常检测问题还有多远，本文深入分析了五种最先进的基于深度学习的模型，用于在四个公共日志数据集上检测系统异常。我们的实验集中在几个方面的模型评估，包括训练数据选择，数据分组，类分布，数据噪声，早期检测能力。我们的研究结果指出，所有这些方面的评价有显着的影响，并不是所有的研究模型都能很好地工作。基于日志的异常检测问题尚未得到解决。根据我们的研究结果，我们还提出了未来可能的工作。
2022-02-15 cs.LG cs.SE
FusionLog: Cross-System Log-based Anomaly Detection via Fusion of General and Proprietary Knowledge
School of Software & Microelectronics, Peking University（北京大学软件与微电子学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）
FusionLog通过融合通用和专有知识实现跨系统日志基异常检测，无需目标系统标注数据，实验显示在零标注设置下F1分数超过90%。
2026-03-26 cs.LG cs.SE
Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs
Distributed and Operating Systems, TU Berlin（柏林工业大学分布式与操作系统）；Huawei Munich Research Center, Huawei Technologies（华为技术有限公司慕尼黑研究中心）
异常检测是保证计算机系统安全性和可靠性的重要挖掘任务。在几乎每一个计算机系统中，异常检测方法的数据源是常见的和主要的。它们收集一系列描述运行时系统状态的重要事件。最近的研究主要集中在一类深度学习方法对预定义的不可学习的数值日志表示。主要的限制是，这些模型不能学习日志表示描述正常和异常日志之间的语义差异，导致一个穷人的泛化看不见的日志。我们提出了Logsy，一种基于分类的方法来学习日志表示，以区分来自感兴趣系统的正常数据和来自辅助日志数据集的异常样本，可以通过互联网轻松访问。这种异常检测方法背后的想法是，辅助数据集具有足够的信息量来增强正常数据的表示，但又具有多样性来正则化以防止过拟合并提高泛化能力。我们提出了一个新的超球面损失函数的基于注意力的编码器模型。这使得学习紧凑的日志表示捕捉正常和异常日志之间的内在差异。从经验上讲，与以前的方法相比，我们在F1评分中平均提高了0.25。为了研究Logsy的属性，我们进行了额外的实验，包括评估辅助数据大小的影响，专家知识的影响，以及学习到的日志表示的质量。结果表明，学习的表示提高了以前的方法，如PCA的性能，相对提高了28.2%。
2020-08-21 cs.IR cs.LG stat.ML
Ti-iLSTM: A TinyDL Approach for Logic-Level Anomaly Detection in Industrial Water Treatment Systems
University of Waikato（怀卡托大学）；Auckland University of Technology（奥克兰理工大学）；Aalto University（阿尔托大学）；Luleå University of Technology（卢勒奥理工大学）
本文提出Ti-iLSTM框架，利用TinyDL实现轻量级设备端逻辑层异常检测，通过优化LSTM内存和空间占用，在SWaT和WADI数据集上均表现出高检测性能。
2026-05-15 cs.LG
Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis
Technische Universität Berlin（柏林工业大学）
本文提出日志异常分类法并探索自动化数据标注，研究多种异常检测技术与异常类型的对齐，并展望异常检测后的根因分析，以提升IT系统韧性、运营效率和用户满意度。
2023-12-22 cs.LG cs.SE
Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels
Dept. of AI, Big Data and Cloud（人工智能、大数据和云计算部门）
本文提出一种基于仅解码器大语言模型的ECU通信日志异常检测方法，通过熵正则化和最小示例学习，解决标签不一致与人工标注成本高的问题。
2025-07-01 cs.LG
RAPID: Training-free Retrieval-based Log Anomaly Detection with PLM considering Token-level information
Korea University（高丽大学）
针对传统日志异常检测需特定训练、难发现细微异常且实时性差的问题，提出免训练的RAPID模型，用PLM提取日志表示，结合基于检索的对比和核心集技术，实现了有竞争力的实时异常检测性能。
2023-11-09 cs.AI cs.LG
TransLog: A Unified Transformer-based Framework for Log Anomaly Detection
State Key Lab of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）；Cloudwise Research（云智慧研究院）；University of Southern California（南加州大学）；Bio-robot and human-computer interaction laboratory, Waseda University（早稻田大学生物机器人与人机交互实验室）
日志异常检测是IT运营人工智能（AIOps）领域的一个关键组成部分。考虑到不同域的日志数据，在实际工业场景中，特别是对于低资源域，对整个网络进行未知域的重新训练是低效的。然而，以往的深度模型只关注于提取同一领域的日志序列的语义，导致对多领域日志的泛化能力较差。因此，我们提出了一个统一的基于transformer的日志异常检测框架（\ourmethod{}），它包括预训练和基于适配器的调整阶段。我们的模型首先在源域上进行预训练，以获得日志数据的共享语义知识。然后，我们通过基于适配器的调整将预训练的模型转移到目标域。在三个公共数据集上对所提出的方法进行了评估，包括一个源域和两个目标域。实验结果表明，我们简单而有效的方法，在目标域中具有更少的可训练参数和更低的训练成本，在三个基准测试中达到了最先进的性能。
2022-01-17 cs.AI cs.LG
LogTinyLLM: Tiny Large Language Models Based Contextual Log Anomaly Detection
Department of Mathematical Sciences, University of Texas at El Paso, El Paso, TX, USA SQC \& OR Unit, Indian Statistical Institute, Kolkata, India
本文提出基于LoRA和adapter的参数高效微调方法，利用小型LLMs在Thunderbird数据集上检测日志序列上下文异常，相比LogBert全量微调准确率提升18-19个百分点。
2025-07-15 cs.AI cs.CV cs.LG
Anomaly Detection Using One-Class SVM for Logs of Juniper Router Devices
Posts and Telecommunications Institute of Technology（邮电技术学院）；National Cheng Kung University（成功大学）
本文提出一种从Juniper路由器日志中提取特征并基于One-Class SVM模型进行异常检测的新方法，能快速准确检测路由器系统错误以降低运营成本。
2023-05-21 cs.LG
GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection
University of California, Riverside（加州大学河滨分校）；NEC Labs America（NEC美国实验室）
本文提出GLAD框架，通过提取日志字段构建动态图，并利用基于GNN和transformers的时间注意力模型捕获内容、结构和时间特征，有效检测系统日志中的关系异常。
2023-09-12 cs.IR cs.LG
Anomaly Detection for Network Connection Logs
D. J. Sanghvi College of Engineering（D.J.桑格维工程学院）；European Organisation for Nuclear Research（欧洲核子研究组织）
我们利用基于ELK、Spark和Hadoop的流架构，以近乎实时的方式收集、存储和分析数据库连接日志。该系统使用无监督学习调查离群值;日志数据的广泛采用的聚类和分类算法，通过离群值的可视化突出每个模型中的细微变化。到达一个新的解决方案来评估未标记的，未经过滤的连接日志，我们提出了一种方法，可以外推到一个通用的系统，分析连接日志在一个大型的基础设施，包括数千个单独的节点，并产生数百行日志每秒。
2018-12-01 cs.DC cs.LG stat.ML
Concise Logarithmic Loss Function for Robust Training of Anomaly Detection Model
SK Planet Co., Ltd.（SK Planet有限公司）
本文提出对数均方误差（LMSE）损失函数，用于更稳定地训练异常检测模型，并通过数学分析、反向传播可视化、损失收敛和检测性能比较证明其优于传统均方误差（MSE），且有望推广至一般生成式神经网络。
2023-04-14 cs.AI cs.LG
Semi-supervised learning via DQN for log anomaly detection
Huazhong University of Science and Technology（华中科技大学）
提出半监督日志异常检测方法 DQNLog，通过深度强化学习结合少量标记与大规模未标记数据，设计偏向异常的状态转移函数与联合奖励函数，有效解决了数据不平衡与误报漏报高的问题。
2024-07-30 cs.LG cs.SE
Deep Learning-based Anomaly Detection and Log Analysis for Computer Networks
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northeastern University（东北大学）；University of Southern California（南加州大学）
针对现有网络异常检测与日志分析方法存在的性能不稳定、误报率高及难以处理时序数据等问题，提出融合Isolation Forest、GAN与Transformer的创新模型，通过三者协同提升任务的准确性与鲁棒性，经实验验证可有效降低误报率、提前发现网络问题并提升系统稳定性。
2024-09-14 cs.CR cs.LG
Anomaly Detection in OKTA Logs using Autoencoders
Adobe（奥多比公司）
针对Okta日志中基于规则的检测模型存在的回溯期受限、易产生误报等问题，提出采用自编码器无监督技术，通过对日志数据进行转换与简化处理并输入模型评估输出，以实现更有效的异常检测。
2024-11-11 cs.CR cs.LG
Dividing Deep Learning Model for Continuous Anomaly Detection of Inconsistent ICT Systems
NTT Network Technology Laboratories, NTT Corporation（日本电信电话公司网络技术实验室）；PKSHA Technology（PK SHA技术公司）
健康监测对于维持可靠的信息和通信技术系统十分重要。基于机器学习的异常检测方法训练用于描述“正常性”的模型，有望用于监测ICT系统的状态。然而，当由于某些设备的更换而使被监视的日志数据的类型从训练数据的类型改变时，这些方法不能使用。因此，这样的方法可以消除当日志数据改变时出现的异常。为了解决这个问题，我们提出了一种基于日志数据相关性划分深度学习模型的ICT系统监控方法。我们还提出了一种算法，用于从深度学习模型中提取日志数据的相关性，并基于相关性分离日志数据。当一些日志数据发生变化时，我们的方法可以继续对不受日志数据变化影响的划分模型进行健康监测。我们提出的实验结果，包括基准数据和真实的日志数据，这表明，我们的方法使用划分的模型不降低异常检测的准确性和异常检测的模型可以被划分为继续监测网络状态，即使一些日志数据的变化。
2020-03-24 cs.LG cs.NI stat.AP
Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models
TU Berlin（柏林工业大学）
诸如云的大型计算机系统中的异常或故障对通信、计算和存储信息的大量用户具有影响。因此，及时准确的异常检测对于这些日益重要的系统的可靠性、安全性、安全操作和减轻损失是必要的。最近，软件行业的发展提出了几个需要解决的问题，包括（1）解决由于软件升级引起的软件发展，以及（2）解决冷启动问题，其中来自感兴趣的系统的数据不可用。在本文中，我们提出了一个框架，异常检测日志数据，作为一个主要的故障排除源的系统信息。为此，我们利用预训练的通用语言模型来保留日志消息的语义，并将其映射到日志向量嵌入。关键的想法是，这些表示的日志是强大的，不太不变的日志中的变化，因此，在一个更好的泛化的异常检测模型的结果。我们在云数据集上进行了几个实验，评估不同的语言模型，以获得数字日志表示，如BERT，GPT-2和XL。鲁棒性通过逐渐改变日志消息来评估，以模拟语义的变化。我们的研究结果表明，所提出的方法实现了高性能和鲁棒性，这开辟了未来的研究在这个方向上的可能性。
2021-02-23 cs.AI cs.CL cs.SE
LogLG: Weakly Supervised Log Anomaly Detection via Log-Event Graph Construction
Beihang University（北京航空航天大学）；Renmin University of China（中国人民大学）；Cloudwise Research（云智慧研究院）
LogLG提出通过日志事件图构建和子图标注器迭代生成伪标签的弱监督日志异常检测框架，利用关键词间语义连接，在五个基准上显著优于现有方法。
2023-04-11 cs.AI cs.LG cs.SE
What Information Contributes to Log-based Anomaly Detection? Insights from a Configurable Transformer-Based Approach
本文提出一种可配置的Transformer日志异常检测模型，通过不同长度日志序列和特征组合实验，发现事件发生信息对异常识别最关键，而序列与时间信息影响有限，并指出需构建更复杂的新数据集。
2025-03-11 cs.AI cs.LG cs.SE
Towards Understanding LLM-Based Log Anomaly Detection: An Empirical Study of Performance, Efficiency, and Robustness
Beijing Jiaotong University（北京交通大学）；University of Florida（佛罗里达大学）
本研究通过三个公开数据集上的系统实验，探究大语言模型在日志异常检测中的适应策略、架构、规模与量化对性能、效率和鲁棒性的影响，揭示性能差异与实用考量。
2026-09-28 cs.CR cs.LG
Log-based Anomaly Detection based on EVT Theory with feedback
The Chinese University of Hong Kong（香港中文大学）；Sun Yat-sen University（中山大学）；Huawei Cloud Computing Technology Co., Ltd（华为云计算技术有限公司）
针对现有日志异常检测方法在大规模云系统中资源消耗高、适应性不足的问题，提出基于动态生长前缀树、支持专家/大模型反馈的轻量自适应框架SeaLog，在多数据集上有效性、速度和内存表现均优于基线。
2023-09-30 cs.LG cs.SE
