logpai/deep-loglizerUne boîte à outils d'apprentissage profond pour la détection d'anomalies basée sur les journaux.
Deep-loglizer est une boîte à outils d'analyse de journaux basée sur l'apprentissage profond pour la détection automatisée d'anomalies.
Si vous utilisez Deep-loglizer dans vos recherches pour une publication, veuillez citer l'article suivant :
| Modèle | Référence de l'article |
|---|---|
| Modèles non supervisés | |
| LSTM | [CCS'17] Deeplog : Détection et diagnostic d'anomalies à partir des journaux système grâce à l'apprentissage profond, par Min Du, Feifei Li, Guineng Zheng et Vivek Srikumar. [Université de l'Utah] |
| LSTM | [IJCAI'19] LogAnomaly : détection non supervisée d'anomalies séquentielles et quantitatives dans des journaux non structurés par Weibin Meng, Ying Liu, Yichen Zhu et al. [Université Tsinghua] |
| Transformer | [ICDM'20] Détection d'anomalies basée sur l'auto-attention et la classification dans des journaux non structurés, par Sasho Nedelkoski, Jasmin Bogatinovski, Alexander Acker, Jorge Cardoso et Odej Kao. [TU Berlin] |
| Autoencoder | [ICT Express'20] Détection non supervisée d'anomalies dans les messages de journal, par Amir Farzad et T Aaron Gulliver. [Université de Victoria] |
| Modèles supervisés | |
| Attentional BiLSTM | [ESEC/FSE'19] Détection robuste d'anomalies basée sur les journaux pour des données de journaux instables par Xu Zhang, Yong Xu, Qingwei Lin et al. [MSRA] |
| CNN | [DASC'18] Détection d'anomalies dans les journaux de systèmes de big data à l'aide de réseaux de neurones convolutifs par Siyang Lu, Xiang Wei, Yandong Li et Liqiang Wang. [Université de Floride centrale] |
git clone https://github.com/logpai/deep-loglizer.git
cd deep-loglizer
pip install -r requirements.txt