《表3 不同方法在BGL数据集上的性能比较》

  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

《基于生成对抗网络的系统日志级异常检测算法》

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

在明确了LSTM作为特征提取模型和GRU作为注意力权重参数拥有更好的效果以后，将本文方法与相关工作中提到的两个日志级异常检测算法Deep Log和Log GAN进行了比较。由于会话级的日志异常检测算法应用的场景并不相同，因此这里只对用于时序日志级异常检测的算法进行了比较。表3展示了本文方法与基线方法在BGL数据集上对异常检测任务的性能表现。结论上来说，本文方法在日志级异常检测方面拥有更好的性能。值得注意的是，Deep Log方法为了保证每一个出现过的异常都被检测出来（即召回率为1），会将大部分的正常事件也判别为异常事件。从F1-score可以看出这种正常与异常事件判别的非平衡型在Deep Log中是非常明显的。相比较而言，Log GAN与本文方法在这方面虽然有一些缓和，但是对于已出现的异常事件会有部分检测遗漏。所以针对不同的场景，可以适当调整阈值，以保证对异常事件零容忍的情况下可以确保本文方法对异常事件检测的性能。