典型文献
基于逻辑回归监督学习的大样本日志异常检测优化方法
文献摘要：
传统基于日志的异常检测方法依赖于人工分析,适用于数据量小的系统,而对于复杂且庞大的日志系统,其检测效率往往很低,无法满足要求.随着机器学习的发展,检测手段发生了根本的转变,检测效率及性能也大幅提高.对于同一个日志系统,针对不同的日志预处理方法及机器学习算法,尤其对日志模板及特征的提取目前还没有统一的成熟模型,导致最后得到较大差异的检测准确率、性能等指标.本文基于监督学习方法提出大样本日志异常检测优化方法,将数据集进行日志解析得到精确的日志模板,再进行日志序列的向量化处理,使用逻辑回归监督学习算法进行分类训练与测试,结合不同的测试指标来选取最佳的参数,最终得到最优模型.实验结果证明,经此方法获取的模型能够达到较优的检测结果.
文献关键词：
监督学习;大样本;日志处理;异常检测
中图分类号：
作者姓名：
申罕骥;付翔;李俊
作者机构：
中国科学院计算机网络信息中心 北京100190;中国科学院大学 北京 100049;北京蓝天前沿科技创新中心 北京 100085
文献出处：
引用格式：
[1]申罕骥;付翔;李俊-.基于逻辑回归监督学习的大样本日志异常检测优化方法)[J].高技术通讯,2022(08):789-800
A类：
B类：
逻辑回归,监督学习,大样本,本日,日志异常检测,异常检测方法,工分,数据量,日志系统,检测效率,满足要求,检测手段,同一个,预处理方法,机器学习算法,日志模板,特征的提取,检测准确率,日志解析,向量化,分类训练,测试指标,最优模型,日志处理
AB值：
0.333525
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
