基于改进时间卷积网络的日志序列异常检测

发布时间：2023-05-11 05:39

　　基于循环神经网络的日志序列异常检测模型对短序列有较好的检测能力,但对长序列的检测准确性较差。为此,提出一种基于时间卷积网络的通用日志序列异常检测框架。将日志模板序列建模为自然语言序列,把基于神经网络训练的词嵌入作为模型的输入,以表示目标词在当前日志序列中的语义规则,并通过降维提高整个框架的运算效率。此外,提出用带参数的ReLU替换ReLU,用自适应平均池化层替换全连接层,将日志序列的异常检测问题建模成自然语言序列生成问题。实验结果表明,该检测框架的总体准确率高于TCN+Linear、TCN+AAP等方法。

【文章页数】：8 页

【文章目录】：
0 概述
1 相关工作
2 基于TCN的异常检测框架
    2.1 激活函数的选择和改进
    2.2 检测模型
        2.2.1 embedding层
        2.2.2 改进的TCN层
        2.2.3 替代全连接层的方案
    2.3 模型训练
    2.4 检测阶段
3 实验结果与分析
    3.1 实验环境与数据集
    3.2 评价标准
    3.3 参数设置
    3.4 结果分析
4 结束语



本文编号：3814271