基于CNN-BiLSTM模型的日志异常检测方法

摘要：

目前日志异常检测领域存在数据量大、故障和攻击威胁隐蔽性高、传统方法特征工程复杂等困难,研究卷积神经网络(CNN)、循环神经网络等迅速发展的深度学习技术,能够为解决这些问题提供新的思路.提出结合CNN和双向长短时记忆循环神经网络(Bi-LSTM)优势的CNN-BiLSTM深度学习模型,在考虑日志键显著时间序列特征基础上,兼顾日志参数的空间位置特征,通过拼接映射方法进行最大程度避免特征淹没的融合处理.在此基础上,分析模型复杂度,同时在Hadoop日志HDFS数据集上进行实验,对比支持向量机(SVM)、CNN和Bi-LSTM验证CNN-BiLSTM模型的分类效果.分析和实验结果表明,CNN-BiLSTM达到平均91％的日志异常检测准确度,并在WC98_day网络日志数据集上达到94％检测准确度,验证了模型良好的泛化能力,与SVM CNN和Bi-LSTM相比具有更优的检测性能.此外,通过消融实验表明,词嵌入和全连接层结构对于提升模型准确率具有重要作用.

关键词：日志异常检测、深度学习、特征融合、泛化能力、消融实验

所属期刊栏目：48

分类号：TP319(计算技术、计算机技术)

资助基金：国家自然科学基金;郑州市协同创新重大专项

在线出版日期：2022-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：151-158,167