检索结果-南通市图书馆

检索条件"主题词=多通道门控时间卷积网络"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度日志序列分析的系统异常检测方法研究

基于深度日志序列分析的系统异常检测方法研究

引用

作者：张林栋山东师范大学

学位级别：硕士

日志序列异常检测作为系统异常检测领域的热门任务之一,致力于通过对结构化的日志事件模板进行分析、学习、归纳等处理来完成对系统的异常检测。在系统异常检测研究方面,日志序列主要分为正常或者异常两类。当日志序列的时序特征符合正... 详细信息

日志序列异常检测作为系统异常检测领域的热门任务之一,致力于通过对结构化的日志事件模板进行分析、学习、归纳等处理来完成对系统的异常检测。在系统异常检测研究方面,日志序列主要分为正常或者异常两类。当日志序列的时序特征符合正常操作时,判断为正常;反之,为异常。近年来,随着深度学习广泛应用于系统异常检测等领域,基于深度学习的日志序列异常检测方法无需依赖复杂的特征工程,便能够自动地对日志序列进行建模和分析,并取得了良好的效果。但是,这些传统的方法忽略了对日志序列中日志事件前后关系的有效利用,只能够提取比较单一的有效特征,无法有效地挖掘出日志序列中更深层的关系;而且随着序列长度的增加,会导致模型产生长依赖性,使得网络的输出随着序列长度的增加逐渐衰退,不能适应新的日志模式。针对上述问题,本文以深度学习为主线,使用原有的日志解析器和特征提取器,对异常检测的模型进行改进。本文主要做了以下两方面的研究工作:(1)针对传统的深度学习方法未能充分利用日志事件的前后关系,以及无法有效地挖掘出日志序列中更深层的关系等问题,本文提出了基于Bi-LSTM-CRF以及多头注意力机制的日志序列异常检测模型。首先,该模型使用Bi-LSTM网络来学习日志序列之间的时序特征,利用Dropout算法对模型进行优化,避免数据的过拟合。并且,重置了Bi-LSTM网络中每层单元的内存状态,提高了Bi-LSTM网络模型的异常检测能力;其次,该模型将Bi-LSTM网络和CRF完美地结合在一起,将Bi-LSTM模型的结果输入到CRF中,可以有效地使用前后标签来对当前的日志事件进行异常检测;最后,加入多头注意力机制,使用s1)8)(6完成日志序列的分类,并给出最终的结果。(2)针对基于深度神经网络的模型对长序列检测能力不足以及无法适应新的日志模式等问题,本文提出了基于改进的多通道门控时间卷积网络(M-GTCN)的日志序列异常检测模型。该模型首先将日志事件使用词嵌入的方式输入到模型中,该方法既能准确的表述日志序列中日志事件的语义规则,又能通过降维的方式减小模型的计算成本;其次,我们改进了时间卷积网络的激活函数,使用加权的Re LU函数,使得该模型不仅解决了神经元“坏死”的问题,还能学习到更多的有效特征;然后,我们加入一个门控线性单元并使用多通道机制,使得日志序列能够在不缩放梯度的情况下通过线性单元传播;最后,我们使用全局平均池化层替换原有网络的输出层,有效地解决了过拟合问题。

关键词：日志序列异常检测日志解析器多头注意力机制多通道门控时间卷积网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：