Détection d'anomalies basée sur la classification auto-attentive dans des journaux non structurés

La détection d'anomalies est une tâche essentielle de fouille de données pour garantir la sécurité et la fiabilité des systèmes informatiques. Les journaux sont une source de données commune et majeure pour les méthodes de détection d'anomalies dans presque tous les systèmes informatiques. Des études récentes se sont concentrées principalement sur des méthodes d'apprentissage profond à classe unique basées sur des représentations de journaux spécifiées manuellement. La principale limitation est que ces modèles ne sont pas capables d'apprendre des représentations de journaux décrivant les différences sémantiques entre les journaux normaux et les journaux d'anomalie, ce qui entraîne une mauvaise généralisation sur des journaux non vus. Nous proposons Logsy, une méthode basée sur la classification pour apprendre des représentations de journaux qui permettent de distinguer les données de journaux système normales des échantillons d'anomalie provenant de jeux de données de journaux auxiliaires, facilement accessibles via Internet. L'idée derrière cette approche de détection d'anomalies est que le jeu de données auxiliaire est suffisamment informatif pour améliorer la représentation des données normales, tout en étant diversifié pour régulariser contre le surajustement et améliorer la généralisation. Nous effectuons plusieurs expériences sur des ensembles de données accessibles au public pour évaluer les performances et les propriétés, où nous montrons une amélioration de 0,25 en F1 par rapport aux méthodes précédentes.