研究指日志异常检测评估协议影响结论，跨系统精度可提升70%
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
日志异常检测基准测试的协议选择会在固定检测器下改变结论。随机划分使配置接近精度上限，而按组不相交或时间顺序评估则得分更低且排序不同。解析器选择可使语义XGBoost的平均精度跨度达0.124。在跨系统消融中，从仅源端访问转为联合语料库及目标IDF访问，HDFS到BGL的平均精度从0.191升至0.325。研究还拆分了解析、表示与分类等组件成本，指明需将测试群体、预处理状态等协议字段与分数同报以支持可解释比较。该文被DASC 2026接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载评估协议对检测结论的影响
在HDFS和BGL日志上使用六种固定配置的实证研究表明，数据划分方式显著影响异常检测评估。随机划分使多种配置接近平均精度上限，而采用组不相交的HDFS评估或按时间顺序的BGL评估，不仅产生更低分数，还改变了观测到的配置排序。此外，在固定BGL截断值下，解析器的选择可使语义XGBoost的平均精度跨度达到0.124，且最早滚动期会逆转语义与计数XGBoost的领先排序。
跨系统迁移与表示访问消融
双因素跨系统消融实验对比了仅源端表示与离线直推式访问未标记目标模板的效果。通过表示语料库和逆文档频率引入目标信息，HDFS到BGL的平均精度从0.191提升至0.325。中间条件揭示了在固定审查预算下，平均精度和检索中存在方向依赖的交互作用，证明目标域信息的访问方式对跨系统检测性能具有决定性影响。
组件成本拆分与可解释比较
组件级性能分析将解析和表示成本与分类器训练、预测及存储成本分离开来。研究发现，当前的检测器比较缺乏对测试群体、预处理状态、可见信息及测量管线阶段的关联。为支持对日志异常检测准确性和资源使用的可解释比较，必须将上述协议字段与评估分数一同记录和报告。
为什么值得看
揭示评估协议对日志异常检测结论的决定性影响及跨系统迁移的巨大增益，为构建可解释、可复现的评测基准提供关键依据。
基准测试论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。