基于循環(huán)神經(jīng)網(wǎng)絡(luò)的日志序列異常檢測模型對短序列有較好的檢測能力,但對長序列的檢測準確性較差。為此,提出一種基于時間卷積網(wǎng)絡(luò)的通用日志序列異常檢測框架。將日志模板序列建模為自然語言序列,把基于神經(jīng)網(wǎng)絡(luò)訓練的詞嵌入作為模型的輸入,以表示目標詞在當前日志序列中的語義規(guī)則,并通過降維提高整個框架的運算效率。此外,提出用帶參數(shù)的ReLU替換ReLU,用自適應(yīng)平均池化層替換全連接層,將日志序列的異常檢測問題建模成自然語言序列生成問題。實驗結(jié)果表明,該檢測框架的總體準確率高于TCN+Linear、TCN+AAP等方法。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 概述
1 相關(guān)工作
2 基于TCN的異常檢測框架
    2.1 激活函數(shù)的選擇和改進
    2.2 檢測模型
        2.2.1 embedding層
        2.2.2 改進的TCN層
        2.2.3 替代全連接層的方案
    2.3 模型訓練
    2.4 檢測階段
3 實驗結(jié)果與分析
    3.1 實驗環(huán)境與數(shù)據(jù)集
    3.2 評價標準
    3.3 參數(shù)設(shè)置
    3.4 結(jié)果分析
4 結(jié)束語



本文編號：3814271