典型文献
基于CNN-BiLSTM模型的日志异常检测方法
文献摘要：
目前日志异常检测领域存在数据量大、故障和攻击威胁隐蔽性高、传统方法特征工程复杂等困难,研究卷积神经网络(CNN)、循环神经网络等迅速发展的深度学习技术,能够为解决这些问题提供新的思路.提出结合CNN和双向长短时记忆循环神经网络(Bi-LSTM)优势的CNN-BiLSTM深度学习模型,在考虑日志键显著时间序列特征基础上,兼顾日志参数的空间位置特征,通过拼接映射方法进行最大程度避免特征淹没的融合处理.在此基础上,分析模型复杂度,同时在Hadoop日志HDFS数据集上进行实验,对比支持向量机(SVM)、CNN和Bi-LSTM验证CNN-BiLSTM模型的分类效果.分析和实验结果表明,CNN-BiLSTM达到平均91％的日志异常检测准确度,并在WC98_day网络日志数据集上达到94％检测准确度,验证了模型良好的泛化能力,与SVM CNN和Bi-LSTM相比具有更优的检测性能.此外,通过消融实验表明,词嵌入和全连接层结构对于提升模型准确率具有重要作用.
文献关键词：
日志异常检测;深度学习;特征融合;泛化能力;消融实验
中图分类号：
作者姓名：
孙嘉;张建辉;卜佑军;陈博;胡楠;王方玉
作者机构：
郑州大学中原网络安全研究院,郑州450001;中国人民解放军战略支援部队信息工程大学,郑州450001
文献出处：
引用格式：
[1]孙嘉;张建辉;卜佑军;陈博;胡楠;王方玉-.基于CNN-BiLSTM模型的日志异常检测方法)[J].计算机工程,2022(07):151-158,167
A类：
WC98
B类：
BiLSTM,日志异常检测,异常检测方法,前日,检测领域,数据量,攻击威胁,隐蔽性,法特,特征工程,工程复杂,深度学习技术,双向长短时记忆,长短时记忆循环神经网络,深度学习模型,时间序列特征,特征基,空间位置,位置特征,拼接,映射方法,淹没,融合处理,模型复杂度,Hadoop,HDFS,分类效果,检测准确度,day,网络日志,日志数据,上达,泛化能力,检测性能,消融实验,词嵌入,全连接层,模型准确率,特征融合
AB值：
0.363745
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。
