Deep-loglizer

Deep-loglizer ist ein auf Deep Learning basierendes Log-Analyse-Toolkit für die automatisierte Anomalieerkennung.

Wenn Sie Deep-loglizer in Ihrer Forschung für eine Veröffentlichung verwenden, zitieren Sie bitte das folgende Paper:

Zhuangbin Chen, Jinyang Liu, Wenwei Gu, Yuxin Su und Michael R. Lyu. Erfahrungsbericht: Deep Learning-basierte System-Log-Analyse zur Anomalieerkennung. arXiv-Preprint, arXiv:2107.05908 (2021).

Framework

Deep Learning-basierte Log-Anomalieerkennung

Modell	Paper-Referenz
Unüberwachte Modelle
LSTM	[CCS'17] Deeplog: Anomalieerkennung und -diagnose aus System-Logs durch Deep Learning, von Min Du, Feifei Li, Guineng Zheng und Vivek Srikumar. [University of Utah]
LSTM	[IJCAI'19] LogAnomaly: unüberwachte Erkennung von sequentiellen und quantitativen Anomalien in unstrukturierten Logs von Weibin Meng, Ying Liu, Yichen Zhu et al. [Tsinghua University]
Transformer	[ICDM'20] Self-attentive, klassifikationsbasierte Anomalieerkennung in unstrukturierten Logs, von Sasho Nedelkoski, Jasmin Bogatinovski, Alexander Acker, Jorge Cardoso und Odej Kao. [TU Berlin]
Autoencoder	[ICT Express'20] Unüberwachte Anomalieerkennung in Log-Nachrichten, von Amir Farzad und T Aaron Gulliver. [University of Victoria]
Überwachte Modelle
Attentional BiLSTM	[ESEC/FSE'19] Robuste logbasierte Anomalieerkennung bei instabilen Log-Daten von Xu Zhang, Yong Xu, Qingwei Lin et al. [MSRA]
CNN	[DASC'18] Erkennung von Anomalien in Big-Data-System-Logs mithilfe von Convolutional Neural Networks von Siyang Lu, Xiang Wei, Yandong Li und Liqiang Wang. [University of Central Florida]

git clone https://github.com/logpai/deep-loglizer.git
cd deep-loglizer
pip install -r requirements.txt