CN119759702A 日志异常检测方法、装置、设备、介质及产品_第1页
CN119759702A 日志异常检测方法、装置、设备、介质及产品_第2页
CN119759702A 日志异常检测方法、装置、设备、介质及产品_第3页
CN119759702A 日志异常检测方法、装置、设备、介质及产品_第4页
CN119759702A 日志异常检测方法、装置、设备、介质及产品_第5页
已阅读5页，还剩40页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

(12)发明专利申请(10)申请公布号CN119759702A(54)发明名称接收待检测日志序列将待检测日志序列输入异常检测模型中，以获取各个待检测日志序列中的异常日志概率，其中，日志异常检测模型是对原始异常检测模型进行训练后得到的，在训练原始异常检测模型时采用交叉熵损失函数和对比学习损失函数组成的弱监督形式的损失函数确定异常日志概率大于异常阈值时对应的待检测日志序列为异常日志序列输出异常日志序列2基于所述损失函数，采用反向传播算法不断更新和迭代所述BERT模型和所述3456附图说明789Z()=Batchnorm(Attention(X(1-1)X(1=Batchnorm(Feedforward(Z(Feedforward(Z()=Linear(GELU(LinFk=Linear(Sum(X(L),p(①=softmax(Linear(F²p(①=softmax(Linear(F码器的模型参数，以最小化损失函数，其中，最小化损失函数对应的BERT模型和异常阈值Pth并保存下来，用于异常检测。F1分数定义为精确率(Precision)和召回率序列的训练签标注为异常，且日志异常检测模型检测也为异常训练日志序列的数量；失函数对应的所述BERT模型和所述Transformer编码器为目标BERT模型和目标Transformer编码器，所述日志异常检测模型包括所述目标BERT模型、所述目标取存储器(StaticRandomAccessM22输入异常检测模型中，以获取各个待检测日志序列中的异常日志概率，其中，日志异常检测模型是对原始异常检测模型损失函数和对比学习损失函数组成的弱监督形式的损失函数确定异常日志概率大于异常阈值时对应的待检测日志序列为输入层和冻结23日志1日志2块名称为..拉近

人人文库> 全部分类> 行业资料 > 各类标准

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论