-
公开(公告)号：CN112069787B
公开(公告)日：2024-10-29
申请号：CN202010880971.5
申请日：2020-08-27
Applicant: 西安交通大学
IPC: G06F40/205 , G06F40/242 , G06N3/049 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于词嵌入的日志参数异常检测方法，1.将日志中的所有参数解析出来，并将所有参数中的离散参数单独划分出来；2.将离散参数转换为连续的参数词向量；3.使用长短期记忆神经网络模型训练参数词向量，使用训练完成的参数词向量预测后续目标时刻的参数词向量；4.使用余弦相似度来确定预测参数词向量与目标参数词向量的关联程度，通过关联程度计算损失值，从而将损失值反馈网络，进行更新和优化模型，直至收敛；5.获取日志进行参数异常检测，计算预测参数和目标参数的余弦相似度，余弦相似度低于阈值则为检测到日志参数异常。能够有效解决因参数动态性和差异性带来的检测瓶颈，提升日志检测整体的准确率。
-
公开(公告)号：CN110535723A
公开(公告)日：2019-12-03
申请号：CN201910798422.0
申请日：2019-08-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种SDN中采用深度学习的消息异常检测方法，采用滑动窗口的方法将流式消息转化为消息序列与预测消息之间的映射，通过学习历史消息，预测一个指定消息序列所对应的输出概率，该方法可以有效的考虑历史消息对下一跳消息的影响，并能支持实时的异常检测；将预测概率中前k高的消息均视为正常消息，克服了动态策略下预测消息不唯一的问题。对消息id与参数向量中参数进行分别预测，当新到达的消息所有参数均通过检测时，才被判断为正常消息。而当出现检测失败的情形，则将正确的消息序列与预测消息作为新的输入进行增量训练，这解决了现有技术无法适应时变性网络的问题，在动态网络中也能正常运行。本发明方法简单，检测结果准确。
-
公开(公告)号：CN110535723B
公开(公告)日：2021-01-19
申请号：CN201910798422.0
申请日：2019-08-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种SDN中采用深度学习的消息异常检测方法，采用滑动窗口的方法将流式消息转化为消息序列与预测消息之间的映射，通过学习历史消息，预测一个指定消息序列所对应的输出概率，该方法可以有效的考虑历史消息对下一跳消息的影响，并能支持实时的异常检测；将预测概率中前k高的消息均视为正常消息，克服了动态策略下预测消息不唯一的问题。对消息id与参数向量中参数进行分别预测，当新到达的消息所有参数均通过检测时，才被判断为正常消息。而当出现检测失败的情形，则将正确的消息序列与预测消息作为新的输入进行增量训练，这解决了现有技术无法适应时变性网络的问题，在动态网络中也能正常运行。本发明方法简单，检测结果准确。
-
公开(公告)号：CN112069787A
公开(公告)日：2020-12-11
申请号：CN202010880971.5
申请日：2020-08-27
Applicant: 西安交通大学
IPC: G06F40/205 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于词嵌入的日志参数异常检测方法，1.将日志中的所有参数解析出来，并将所有参数中的离散参数单独划分出来；2.将离散参数转换为连续的参数词向量；3.使用长短期记忆神经网络模型训练参数词向量，使用训练完成的参数词向量预测后续目标时刻的参数词向量；4.使用余弦相似度来确定预测参数词向量与目标参数词向量的关联程度，通过关联程度计算损失值，从而将损失值反馈网络，进行更新和优化模型，直至收敛；5.获取日志进行参数异常检测，计算预测参数和目标参数的余弦相似度，余弦相似度低于阈值则为检测到日志参数异常。能够有效解决因参数动态性和差异性带来的检测瓶颈，提升日志检测整体的准确率。
-
-
-
Search Results
4
records
(took 0.015 seconds)
