基于图学习的系统日志序列异常检测研究.pdfVIP

目录

摘要I

AbstractII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1系统日志异常检测2

1.2.2动态图模型3

1.3研究内容及创新点4

1.3.1研究内容4

1.3.2创新点5

1.4论文组织结构5

2相关基础知识理论7

2.1系统日志解析及序列划分7

2.1.1系统日志解析7

2.1.2序列划分8

2.2深度图学习模型8

2.2.1图卷积网络9

2.2.2动态图神经网络11

2.2.3图对比学习12

2.3经典机器学习算法13

2.4本章小结15

3基于动态图链路预测方法的系统日志异常检测16

3.1引言16

3.2基本模型描述16

3.2.1时序事件图构造17

3.2.2使用图对比学习的空间特征表示18

3.2.3使用生成对抗网络的链路预测19

3.2.4基于链路预测分析的日志异常检测21

3.3实验及结果分析23

3.3.1数据集描述23

3.3.2评估指标24

3.3.3对比实验24

3.3.4消融实验26

3.3.5参数分析27

3.4本章小结33

4基于动态边流链路预测方法的系统日志异常检测34

4.1引言34

4.2基本模型描述34

4.2.1时序事件图的构造35

4.2.2基于边流信息的节点特征动态更新36

4.2.3使用动态图神经网络的链路预测38

4.2.4基于链路预测算法的日志异常检测39

4.3实验及结果分析40

4.3.1对比实验40

4.3.2消融实验42

4.3.3参数分析42

4.4本章小结45

5总结与展望46

5.1总结46

5.2展望46

参考文献48

攻读硕士期间的研究成果54

致谢55

摘要

伴随着大规模信息系统的实施，为用户提供便捷服务的同时，也存在软件/硬件故障、

外部非法攻击等系统异常问题。系统日志作为重要的系统运行时数据，可以及时记录系

统的运行情况，帮助用户准确了解系统状态。目前，基于机器学习模型的系统日志分析

已成为对系统运行状态进行自动化异常检测的重要手段，大致可分为基于日志事件计数

和基于日志事件间顺序依赖关系的两类方法。然而，现有方法均忽略了日志事件间的复

杂关系以及事件关系随时间的变化。为解决上述问题，本文利用动态图神经网络模型对

系统日志异常检测问题进行研究，主要工作如下：

(1)针对日志事件间的复杂关系及其演化过程难以获取的问题，提出了一种基于动态

图链路预测方法的系统日志异常检测模型。首先，将解析后的日志/事件构造为有序增量

时序事件图。其次，构建动态图学习模型进行事件连边的链路预测分析。采用图对比学

习和时间卷积网络分别对事件关联性及其随时间演化关系进行特征学习，通过链路预测

方法实现对新出现事件关系的预测。最后，基于上述模型的链路预测结果为每条日志事

件序列进行评分，以此进行异常检测。通过在公开数据集上进行多组实验，进一步验证

了模型的有效性。与基线方法相比，提出的方法取得了更好的性能。

(2)针对单一事件图快照中节点特征无法进行动态表示的问题，提出了一种基于动态

边流链路预测方法的系统日志异常检测模型。首先，为获取图中