计算机应用

作者：姚杰, 程春玲, 韩静, 刘峥

单位：1. 南京邮电大学 计算机学院, 南京 210023;2. 中兴通讯股份有限公司 上海研发中心, 上海 201203

关键词：异常检测,日志分析,时序卷积网络,多任务学习,云工作流

基金：国家重点研发计划项目（2018YFB1003702）；中兴通讯股份有限公司产学研合作项目；南京邮电大学国家自然科学基金孵化项目（NY219084）。

云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型，而忽略了两种异常检测任务之间的关联性，导致异常检测准确率下降的问题，提出了一种基于多任务时序卷积网络的日志异常检测方法。首先，基于日志流的事件模板，生成事件序列和时间序列；然后，训练基于多任务时序卷积网络的深度学习模型，该模型通过共享时序卷积网络中的浅层部分来从系统正常执行的流程中并行地学习事件和时间特征；最后，对云计算工作流中的异常进行分析，并设计了相关异常检测逻辑。在OpenStack数据集上的实验结果表明，与日志异常检测的领先算法DeepLog和基于主成分分析（PCA）的方法比较，所提方法的异常检测准确率至少提升了7.7个百分点。

来源：2021年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第6期