引言
在信息时代，大量的计算机和网络系统被广泛应用于各行各业。几乎所有的计算机系统都会在运行时将系统执行期间发生的信息和异常事件附加到一个或多个特殊文件中——称为系统日志、日志文件或简称为日志［1］。系统操作员需要根据日志中包含的意外和疑似不安全的系统活动痕迹，来及时采取行动，以防止或减少系统的损坏，并避免不利的级联效应［2］。在传统的日志分析领域，开发人员往往依赖于其专业领域知识，通过手动检查、编写规则、统计学分析或聚类等手段，人工识别特征和建立规则。然而，随着网络安全形势的演变，网络入侵攻击已逐渐从单一、直接、易于识别转变为有组织、有目的、长时间潜伏等更为复杂和隐蔽的形式，系统的应用呈现规模化发展、分布式部署、高并行和冗余运行的特征，日志数据爆炸式增长［3］。面对大量的日志数据和隐蔽性高的攻击手段，传统检测方法适用程度低。此外，由于日志异常事件通常是少数类别，这会导致类别分布的不平衡，从而影响异常检测的精度。人工神经网络为解决上述问题提供了新的思路，在没有人类干预的情况下自动化地提取特征和识别日志中的异常模式，为用户提供了一种快速、可靠、准确的方式来监测系统的状态和性能。自编码器(Autoencoder)作为一种无监督学习模型，因具有鲁棒性强、可解释性好的特点，不仅在图像、文本等数据的降维和特征提取上有着广泛的应用，也在异常检测上展现出巨大的潜力。在时间序列预测方面，长短期记忆网络(Long ShortTerm Memory, LSTM)也展现出强大的实力，无论是金融市场的价格预测、气象数据的趋势分析，还是工业领域的故障预警，其能通过捕捉时序数据中的复杂模式，提供准确的预测结果。因此，本文结合LSTM在序列数据处理上的优势与自编码器在特征学习上的能力，使用多窗口策略捕捉日志数据中不同时间尺度的上下文信息，针对时间敏感的日志提供了更有效的异常检测方案。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006895
作者信息：
杨光1，雷玉芳2，王鹏2，孙强2，闫凯鑫1，朱燕1，潘号龙1，王旭仁3
(1.中国科学院信息工程研究所，北京100085；
2.中铁(北京)信息技术服务有限公司，北京100055；
3.首都师范大学，北京100048)
