公开(公告)号：CN116010208A

公开(公告)日：2023-04-25

申请号：CN202310017613.5

申请日：2023-01-06

Applicant: 同济大学

Inventor： 杨恺 ,  邱承博 ,  谢雨霞

IPC: G06F11/30 ,  G06F16/18 ,  G06N3/094 ,  G06N3/096 ,  G06N3/09

Abstract: 本发明提出一种基于对抗迁移学习的日志异常检测方法，通过建立一个可以借助原系统日志数据(源域)异常检测模型，以及新系统下无标记的日志数据集(目标域)，通过无监督域适应中的对抗迁移方法训练得到异常检测模型，实现对于新系统的异常检测。本发明使用并行卷积神经网络实现对于系统日志的语义特征提取，通过卷积神经网络将日志信息映射到隐变量空间进行词级特征的提取。通过循环神经网络来提取日志序列数据中所包含的时序特征，为异常判断奠定基础。对系统升级和更新之后的日志数据使用对抗迁移学习方法，借助已有模型来训练新数据集上的异常检测模型，然后直接进行异常检测，而不需要从头设计异常检测算法，有效提高运维效率。

公开(公告)号：CN115048269A

公开(公告)日：2022-09-13

申请号：CN202210710252.8

申请日：2022-06-22

Applicant: 同济大学

Inventor： 杨恺 ,  谢雨霞 ,  邱承博

IPC: G06F11/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于对抗迁移学习的日志异常检测方法：步骤1，获取源域日志数据，对其进行数据清洗、去除噪音以及正异常划分；步骤2，将处理后的源域日志数据输入到异常检测神经网络模型中进行监督训练，进行多次训练得到源域深度异常检测神经网络的具体结构；步骤3，获取目标域无标记日志数据，对其进行数据清洗和去除噪音，得到处理后的目标域无标记日志数据；步骤4，将处理后的目标域无标记日志数据输入到源域深度异常检测神经网络中，利用对抗迁移学习模型训练得到目标域异常检测神经网络；步骤5，将待检测数据输入到目标域异常检测神经网络，判断检测结果是否大于所给阈值，若是，则判定该数据为异常，若不是，则判定该数据为正常。