系統(tǒng)日志數(shù)據(jù)對系統(tǒng)管理員管理系統(tǒng)和診斷系統(tǒng)問題起到了關(guān)鍵作用。隨著數(shù)據(jù)的爆炸性增長,人工分析系統(tǒng)日志不僅耗費人力資源而且其分析速度已遠遠落后于日志生成的速度。使用基于機器學習方法的自動檢測技術(shù)已成為目前解決系統(tǒng)日志異常檢測問題的發(fā)展趨勢。但是,基于傳統(tǒng)機器學習方法在面對變化數(shù)據(jù)與類重疊數(shù)據(jù)時的效果并不穩(wěn)定。隨著系統(tǒng)的不斷運行,日志反映了當前系統(tǒng)的狀態(tài),也產(chǎn)生了新的知識。因此,相對于以往的系統(tǒng)日志數(shù)據(jù),當前日志數(shù)據(jù)發(fā)生了變化。為了適應(yīng)不斷變化的日志數(shù)據(jù),本文提出了一種基于一致性預(yù)測算法的系統(tǒng)日志異常檢測模型。將統(tǒng)計學習與機器學習的方法相結(jié)合,將一致性預(yù)測框架引入系統(tǒng)日志異常檢測的問題中。相比于基于靜態(tài)閾值的檢測方法,一致性度量的統(tǒng)計學習方法可以動態(tài)適應(yīng)不斷變化的日志數(shù)據(jù)。并且針對一致性度量的統(tǒng)計學習方法計算效率低下的問題進行了改進。從而使得基于一致性預(yù)測算法的系統(tǒng)日志異常檢測模型可以快速準確的檢測系統(tǒng)日志的異常情況。由于系統(tǒng)日志數(shù)據(jù)的屬性值過于相似,以致于無法準確劃分決策邊界,產(chǎn)生了類重疊現(xiàn)象。針對出現(xiàn)類重疊現(xiàn)象的日志數(shù)據(jù),本文提出了一種基于集成學習的類重疊異常檢測模型。首先計算了樣本數(shù)... 

【文章頁數(shù)】：46 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及研究意義
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容與方法
    1.4 論文組織與結(jié)構(gòu)
第二章 相關(guān)理論研究
    2.1 一致性預(yù)測算法研究現(xiàn)狀
    2.2 集成學習的研究現(xiàn)狀
    2.3 本章總結(jié)
第三章 基于一致性預(yù)測算法的系統(tǒng)日志異常檢測模型
    3.1 模型框架
        3.1.1 日志預(yù)處理
        3.1.2 異常檢測
        3.1.3 一致性預(yù)測算法
        3.1.4 改進p值計算時間
    3.2 實驗與分析
        3.2.1 實驗數(shù)據(jù)與評價指標
        3.2.2 置信水平對實驗的影響
        3.2.3 實驗結(jié)果對比
        3.2.4 時間效率對比
        3.2.5 實驗結(jié)果分析
    3.3 本章總結(jié)
第四章 基于集成學習的類重疊異常檢測模型
    4.1 類重疊數(shù)據(jù)
        4.1.1 類重疊現(xiàn)象定義及研究現(xiàn)狀
        4.1.2 模糊KNN
        4.1.3 模糊度
    4.2 基于集成學習的類重疊異常檢測
        4.2.1 集成學習算法
        4.2.2 多種算法投票
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)與評價指標
        4.3.2 類重疊區(qū)域數(shù)據(jù)
        4.3.3 實驗結(jié)果對比
    4.4 本章總結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 展望
致謝
參考文獻
作者簡介


【參考文獻】：
期刊論文
[1]基于多輸出極限學習機的快速一致性分類器[J]. 王迪,王萍,石君志.  控制與決策. 2019(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)與一致性預(yù)測器的穩(wěn)健視覺跟蹤[J]. 高琳,王俊峰,范勇,陳念年.  光學學報. 2017(08)

博士論文
[1]帶置信度分類器的研究與應(yīng)用[D]. 王華珍.廈門大學 2009

碩士論文
[1]基于度量學習和聚類的一致性預(yù)測器算法研究[D]. 陳志剛.廈門大學 2014



本文編號：3719439