江苏大学学报(自然科学版)

作者：顾兆军1,叶经纬2,3,刘春波1,张智凯2,王志4

单位：1. 中国民航大学 信息安全测评中心， 天津 300300； 2. 中国民航大学 计算机科学与技术学院， 天津 300300； 3. 中国民用航空中南地区空中交通管理局湖北分局， 湖北 武汉 432200； 4. 南开大学 网络空间安全学院， 天津 300350

关键词：系统日志, 日志异常检测, 组异常, 局部异常, 半监督, 重构误差, 核主成分分析, 伪标签

基金：国家自然科学基金资助项目(U2333201，61872202); 国家重点研发计划项目(2021YFF0603902)； 民航安全能力建设项目(PESA2020100,PESA2021007,PESA2021009)； 中国科学院重点部署项目(KFZD-SW-440)； 天津市自然科学基金资助项目(19JCYBJC15500) 

对于具有“组异常”和“局部异常”分布特点的系统日志数据，传统的ADOA（anomaly detection with partially observed anomalies）半监督日志异常检测方法存在为无标签数据生成的伪标签准确性不佳的问题.针对此问题，提出一种改进的半监督日志异常检测模型.对已知异常样本采用k均值聚类，采用核主成分分析计算无标签样本的重构误差；运用重构误差和异常样本相似分计算出样本的综合异常分，作为其伪标签；依据伪标签计算LightGBM分类器的样本权重，训练异常检测模型.通过参数试验探究了训练集样本比例变化对模型性能的影响.在HDFS和BGL这2个公开数据集上进行试验，结果表明该模型能够提高伪标签的准确性，相较于DeepLog、LogAnomaly、LogCluster、PCA和PLELog等已有模型，精确率和F1分数均有提升.与传统的ADOA异常检测方法相比，该模型F1分数在2类数据集上分别提高了0.084和0.085.

来源：2025年第1期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2025年第1期