基于LLM增强动态图关系学习与可解释诊断的日志异常检测方法OA
系统日志承载系统全量运行数据,是保障系统稳定安全运行、支撑故障排查工作的核心依据。针对现有基于图的日志异常检测方法存在难以挖掘日志深层语义、难以缓解样本类别不平衡、无法充分建模复杂时序关联、异常检测结果缺少直观解释的问题,本文对融合大语言模型(Large Language Model,LLM)与动态图网络的日志异常检测方案开展研究。本文依托经典图检测框架(Graph Log Anomaly Detection,GLAD),融合语义增强、数据增强与多尺度时序图建模策略,构建LLM驱动的日志关系异常检测框架LLM-GLAD,配套搭建LLM可解释诊断模块,可输出自然语言形式的异常说明与故障根因参考方案,提升模型落地实用价值。基于三组公开日志数据集开展多方法对比测试结果显示,该框架精确率、召回率、F1分数分别达到96.45%、93.43%、94.92%。
庞树蕊;万武南;张仕斌
成都信息工程大学网络空间安全学院,成都610225 先进密码技术与系统安全四川省重点实验室,成都610225 成都信息工程大学人工智能学院,成都610225先进密码技术与系统安全四川省重点实验室,成都610225 成都信息工程大学人工智能学院,成都610225先进密码技术与系统安全四川省重点实验室,成都610225 成都信息工程大学人工智能学院,成都610225
信息技术与安全科学
日志异常检测图神经网络大语言模型数据增强语义增强
《信息安全研究》 2026 (9)
P.823-830,8
西藏自治区重点研发计划项目(XZ202501ZY0094)国家自然科学基金项目(62076042)成都市重点研发项目(2023-XT00-00002-GX)成都市重点研发支撑计划项目(2024-YF05-01227-SN)四川省科技教育联合基金面上项目(2025NSFSC2077)。
评论