《表2 PCA、IM、DeepLog、本文方法性能比较结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的系统日志异常检测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

算法的性能通过假阳性（FP，false positives）、假阴性（FN，false negatives）、准确率（accuracy）、精确率（precision）、召回率（recall）、F值（F-measure）来衡量。将正确检测出一个异常定义为一个正类，则FP和FN分别代表异常日志和正常日志的误报数量；准确率表示被正确分类的正常日志和异常日志占总日志的百分比。精确率表示检测到的异常中为真异常的比例；召回率表示检测到的异常占数据集中总异常的百分比；F值是精确率和召回率的加权调和平均，是一种基于精确率和召回率的综合评价指标。表2给出了4种算法的FP、FN值和准确率，其中PCA算法的假阳性最少，不过相应得到了较多的假阴性，说明其更容易倾向于将日志判别为正常；IM算法的假阳性和假阴性比较多，但其总体准确率优于PCA；本文执行路径异常检测算法和Deep Log同时取得了较少的假阳性和假阴性，准确率达到99.74%和99.75%，性能显然优于其他两者。