公开(公告)号：CN119249327A

公开(公告)日：2025-01-03

申请号：CN202411307231.7

申请日：2024-09-19

Applicant: 河北工业大学

Inventor： 宋晓建 ,  林涛 ,  汤金娥

IPC: G06F18/2433 ,  G06F18/213 ,  G06N3/0455 ,  G06F40/216 ,  G06N3/096

Abstract: 本发明为基于语义和迁移学习的自适应日志异常检测方法，该方法包括以下步骤：获取源域和目标域的日志，并进行日志预处理；利用BERT模型对处理后的所有日志进行处理，计算每个词在共享词汇表的TF‑IDF权重，将BERT模型生成的词语语义表示与其对应的TF‑IDF权重相结合，为每个日志语句生成一个加权的语义表示：构建异常检测模型，所述异常检测模型包括特征提取部分、异常检测部分和域分类器，域分类器用于判断特征H来自源域还是目标域。通过对日志时间特征的深度分析和标准差归一化，构建了一个超球体积来监测系统的动态变化，本发明不仅能够确保模型在新系统中的检测性能，还能减少数据标注和模型训练的成本。

公开(公告)号：CN118820745A

公开(公告)日：2024-10-22

申请号：CN202410823411.4

申请日：2024-06-25

Applicant: 河北工业大学

Inventor： 王琳发 ,  林涛 ,  汤金娥 ,  富坤 ,  宋晓建 ,  张鑫宇 ,  顾树启

IPC: G06F18/213 ,  G06F18/2433 ,  G06F40/30 ,  G06N3/0442 ,  G06N3/088 ,  G06N3/045

Abstract: 本发明为融合序列与模板语义的无监督日志异常检测方法，分别提取日志的序列特征与语义特征，采取第一TCN网络提取日志序列特征，采用第二TCN网络和Bi‑GRU网络并行处理联合提取日志模板语义特征，有助于缓解原始TCN出现不可逆的信息损失，使得损失信息更少且模型更平滑，并使得语义特征的提取更充分，综合考虑了日志模板序列的全局上下文依赖特征与短距离尺度上的局部依赖特征，更细粒度的表征了语义特征。本发明不仅对单个日志模板的语义特征进行了提取，同时提取了日志模板之间局部与全局的语义相关性，充分利用了日志的语义信息，增强了日志语义信息的表征，提高了日志异常检测的可靠性和准确性。