典型文献
一种改进的模糊聚类日志异常检测方法
文献摘要：
随着分布式信息系统的普及与应用,系统的在线运行管理变得尤为重要.如何利用各类系统运行产生的日志数据保障在线业务应用不间断服务已成为当前研究的热点问题,而基于机器学习方法的日志数据异常检测是该领域的有效路径.围绕日志数据的异常检测问题,文中提出一种模糊聚类的无监督学习方法,通过引入模糊隶属度函数,对不同的分类对象赋予不同模糊隶属度,可有效分类噪声与奇异数据点的影响,效果明显优于传统的其他同类机器学习方法.其次,针对日志数据正常与异常数据聚群的不平衡问题,引入不平衡补偿因子,进一步提高异常检测的性能.实验结果表明:模糊聚类算法明显优于现有无监督机器学习方法,准确率达到96％,召回率为100％,综合评价指标F1值为97.9％;改进的算法则在原基础上,准确率和F1分别提升1个百分点.
文献关键词：
日志数据;模糊聚类;异常检测;机器学习;分布式信息系统;无监督学习
中图分类号：
作者姓名：
何书前;孙学朝;蒋文娟;余绪杭
作者机构：
海南师范大学 信息网络与数据中心,海南 海口 571158;海南师范大学 信息科学技术学院,海南 海口 571158
文献出处：
引用格式：
[1]何书前;孙学朝;蒋文娟;余绪杭-.一种改进的模糊聚类日志异常检测方法)[J].现代电子技术,2022(16):30-34
A类：
分布式信息系统
B类：
日志异常检测,异常检测方法,普及与应用,在线运行,运行管理,日志数据,数据保障,业务应用,不间断,基于机器学习,机器学习方法,数据异常检测,检测问题,无监督学习,模糊隶属度函数,奇异,异数,据点,同类机,异常数据,不平衡问题,不平衡补偿,补偿因子,模糊聚类算法,无监督机器学习,召回率,综合评价指标,原基,百分点
AB值：
0.302923
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。
