{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“短信”：{“索引”：{“日期部分”：[[2024,9,19]]，“日期时间”：“2024-09-19T16:30:26Z”，“时间戳”：1726763426688}，“参考计数”：68，“出版商”：“计算机协会”，“问题”：“1”，“资助者”：[{“名称”：“深圳市基础研究拨款”，“奖励”：[”JCYJ201708]16100819428“]}，{“名称”：“中国国家重点研发计划”，“奖项”：[“2021YFB1715600”]}，{“姓名”：“新加坡国家研究基金会新兴领域研究项目（EARP）资助计划”}，}“DOI”：“10.13039\/501100001809”，“名称”:“中国国家自然科学基金会”，“DOI-asserted-by”：“publisher”，“奖金”：[”U22B2019，62272372“]，“id”用法：[{“id”：“10.13039\/501000001809”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[“Proc.ACM Manag.Data”]，“published-print”：{“date-parts”：[2023,5,26]]}，”abstract“：”日志消息为确保系统的安全性和一致性提供了宝贵的运行时信息源。最近，人们提出了许多机器学习和深度学习方法来自动检测异常日志消息，从而避免了专家手动检测的需要。然而，我们发现，在实践中，现有的基于学习的方法的有效性受到信息不完整和分布转移的严重影响。具体来说，每个日志消息实际上可以解析为固定数量的关键信息字段，而现有方法仅使用日志事件信息分析日志消息，而忽略对异常检测至关重要的其他有用信息字段。此外，由于运行时环境的动态特性，真实世界日志消息的分布会不断变化，因此，基于不切实际的身份验证假设进行常规训练的检测模型可能无法提供预期的一致性能<\/jats:p>\n在本文中，我们提出了一个健壮且可转移的异常检测框架RT-Log来解决上述问题。为了对日志消息进行全面分析，我们引入了一种自适应关系建模技术，该技术有选择地动态捕获日志信息字段之间的特征交互，以实现有效且可解释的日志表示。为了建立其鲁棒性和可转移性，我们提出了一种通用的环境泛化技术，用于学习可以在不同运行时环境中泛化的环境不变表示。我们评估了RT-Log在大型真实数据集上的异常检测性能。大量实验结果表明，在不同的设置下，RT-Log始终优于最先进的方法<\/jats:p>“，”DOI“：”10.1145\/33588918“，”type“：”期刊文章“，”已创建“：｛”日期部分“：[[2023,5,30]]，”日期时间“：”2023-05-30T17:42:05Z“，”时间戳“：1685468525000｝，”page“：”1-26“，”source“：”Crossref“，”被计数引用“：6，”title“：[”鲁棒且可传输的基于日志的异常检测“]，”prefix“：”10.1145“，”volume“：”1“，”author“：[｛”ORCID“：“http:\/\/orcid.org\/00000-0003-2190-8934“，”authenticated-orcid“：false，”given“：”Peng“，”family“：”Jia“，”sequence“：”first“，”affiliation“：[{”name“：”西安交通大学，中国西安“}]}，{”orcid“：“http://\/orcid.org\/000-0001-8605-076X”，“authentimated-orcid:false，“given”：“邵峰”，“family”：“Cai”，“sequence”：“additional”，“affiliance”：[{“名称”：“新加坡新加坡国立大学“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-4446-1100”，“authenticated-ORCID”：false，“given”：”Beng Chin“，“family”：“Ooi”，“sequence”：“additional”，“affiliation”：[{“name”：“National University of Singapore，Singaporate”}]}的缩写，{authenticated-orcid“：false，”given“：”Pinghui“，”family“：”Wang“，”sequence“：”additional“，”affiliation“：[{“name”：“西安交通大学，中国西安”}]}，{“orcid”：“http://\/orcid.org\/00000-0001-8477-3526”，“authentication-orcid”：false“，”giving“：”Yiyuan“，”家人“：”熊“，”序列“：”additional“”，”affaliation“:[{”name“：”新加坡新加坡国立大学“}]}]，“成员”：“320”，“在线发布”：{“日期部分”：[[2023,5,30]]}，“参考文献”：[{“卷时间”：“数据挖掘：数据挖掘概念和技术”，“年份”：“2013”，“作者”：“Agarwal Shivam”，“密钥”：“e_1_2_2_1_1”，“非结构化”：“Shivam Agarwal.2013”。数据挖掘：数据挖掘概念和技术。在ICMIRA中。IEEE，203-207.“}，{”卷-时间“：“不变风险最小化。CoRR”，“年份”：“2019年”，“作者”：“Arjovsky Martin”，”键“：”e_1_2_2_1“，”非结构化“：”Martin Arjovski，L\u00e9on Bottou，Ishaan Gulrajani，and David Lopez-Paz.2019。不变风险最小化。CoRR，Vol.abs \/1907.02893（2019），1--31.“}，{“key”：“e_1_2_3_1”，“unstructured”：“Alexei Baevski Wei-Ning Hsu Alexis Conneau和Michael Auli，2021。无监督语音识别。在NeurIPS中。1-14.“}，{“卷标”：“Beng Chin Ooi，and Meihui Zhang”，“年份”：“2021”，“作者”：“蔡少峰”，“关键字”：“e_1_2_4_1”，“非结构化”：“Cai Shaofeng，Kaiping Zheng，Gang Chen，H.V.Jagadish，Beng Chin-Ooi和Meihui-Zhang。2021。ARM-Net：结构化数据的自适应关系建模网络。在SIGMOD中。ACM，207--220.“}，{”key“：”e_1_2_2_5_1“，”doi-asserted-by“：”publisher“，“doi”：“10.14778\/3137628.3137633”}，“volume-title”：“经验报告：基于深度学习的系统日志分析用于异常检测。CoRR”，“年份”：“2021”，“作者”：“陈庄斌”，”key：“e_2_6_1”，《非结构化》：“陈庄斌、刘金阳、顾文伟、苏玉欣和李明博。2021.经验报告：基于深度学习的异常检测系统日志分析。CoRR，Vol.abs \/2107.05908（2021），1-10.“}，{“volume-title”：“自适应因子分解网络：学习自适应有序特征交互”，“作者”：“程伟余”，“关键”：“e_1_2_2_7_1”，“非结构化”：“程伟余，沈燕燕，黄林鹏，2020。自适应因子分解网络：学习自适应顺序特征交互。在AAAI。AAAI出版社，3609--3616.“}，{“key”：“e_1_2_2_8_1”，“unstructured”：“Kyunghyun Cho Bart van Merri\u00ebnboer Dzmitry Bahdanau and Yoshua Bengio，2014。神经机器翻译的特性：编解码方法。在SSST中。ACL 103--111.“}，{“volume-title”：“拼写：系统事件日志的流式分析”，“年份”：“2016”，“作者”：“杜敏”，“密钥”：“e_1_2_2_9_1”，“非结构化”：“杜敏和李菲菲。2016。拼写：系统事件日志的流式分析。在ICDM中。IEEE，859--864.“}，{”key“：”e_1_2_2_10_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3133956.3134015”}，“volume-title”：“通过非结构化日志分析检测分布式系统中的执行异常”，“author”：“Fu Qiang”，“key”：“e_1_i_2_11_11_1”，“Unstructured”：“Qiang Fu，Jian-Guang Lou，Yi Wang，and Jiang Li.2009。通过非结构化日志分析检测分布式系统中的执行异常。在ICDM中。IEEE，149--158。“}，{”key“：”e_1_2_2_12_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/1773912.1773925”}，“key”：“e_1_i_2_13_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3236009“}、{”密钥“：”e_1_2_14_1“、”非结构化“：”Ishaan Gulrajani和David Lopez-Paz.2021。寻找丢失的域名泛化。在ICLR中。OpenReview.net 1-27.“}，{“key”：“e_1_2_15_1”，“doi断言”：“crossref”，“非结构化”：“Hossein Hamooni Biplob Debnath Jianwu Xu Hui Zhang Guofi Jiang and Abdullah Mueen。2016。LogMine：日志分析的快速模式识别。在CIKM中。ACM 1573--1582.“，”DOI“：”10.1145\/2983323.2983358“}，{”key“：”e_1_2_16_1“，”unstructured“：”Stephen e Hansen和e Todd Atkins.1993。自动系统监控和Swatch通知。在LISA中。USENIX 145--152.“}，{“volume-title”：“Drain:一种具有固定深度树的在线日志分析方法”，“year”：“2017”，“author”：“He Pinjia”，“key”：“e_1_2_17_1”，《unstructured》：“Pinjia-He，Jieming Zhu，Zibin Zheng，and Michael R Lyu.2017。排水：一种带有固定深度树的在线日志分析方法。在ICWS中。IEEE，33-40.“}，{”key“：”e_1_2_2_18_1“，”unstructured“：”石林何庆伟林建光楼宏宇张迈克尔·吕和张冬梅.2018。通过日志分析确定影响服务系统的问题。在ESEC\/FSE中。ACM 60-70.“}，{“volume-title”：“经验报告：异常检测的系统日志分析”，“年份”：“2016年”，“作者”：“何士林”，“关键字”：“e_1_2_2_19_1”，“非结构化”：“何士林、朱洁明、何平佳和迈克尔·吕。2016。经验报告：异常检测的系统日志分析。在ISSRE中。IEEE，207--218.“}，{”key“：”e_1_2_2_20_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1162\/neco.1997.9.8.1735”}，“volume-title”：“序列标记的双向LSTM-CRF模型。CoRR”，“year”：“1991”，“author”：“Huang Zhiheng”，“key”：“e_2_21_1”，”unstructured“：”Zheng Huang，Wei Xu，Kai Yu.2015。用于序列标记的双向LSTM-CRF模型。CoRR，Vol.abs \/1508.01991（2015），1--10。“}，{“volume-title”：“Matthew M.Botvinick，Andrew Zisserman，Oriol Vinyals，and Jo a o Carreira。”，“年份”：“2022”，“作者”：“Jaegle Andrew”，“密钥”：“e_1_2_22_1”，“非结构化”：“安德鲁·杰格尔（Andrew Jaegle）、塞巴斯蒂安·博尔盖德（Sebastian Borgeaud）、珍妮·巴蒂斯特·阿拉拉克（Jean-Baptiste Alayrac）、卡尔·多尔施（Carl Doersch）、卡塔琳·艾内斯库（Catalin Ionescu）、大卫·丁（David Ding）、斯坎达·科普拉（Skanda Koppula）、丹尼尔·佐兰（Daniel Zoran）、安德鲁·布洛克（Andrew-Brock）、埃文·谢尔哈。2022.Perceiver IO：结构化输入和输出的通用架构。在ICLR中。OpenReview.net，1-24.“}，{“volume-title”：“将执行日志抽象为企业应用程序的执行事件”，“author”：“Jiang Zhen-Ming”，“key”：“e_1_2_23_1”，“unstructured”：“Zhen-Ming Jiang，Ahmed e Hassan，Parminder Flora，and Gilbert Hamann.2008。将执行日志抽象为企业应用程序的执行事件。在QSIC中。IEEE，181--186.“}，{“卷-时间”：“压缩文本分类模型。CoRR”，“年份”：“2016年”，“作者”：“Joulin Armand”，“关键字”：“e_1_2_24_1”，《非结构化》：“Armand Joulin，Edouard Grave，Piotr Bojanowski，Matthijs Douze，H\u00e9rve J\u00e 9gou，and Tomas Mikolov.2016。Fasttext.zip：压缩文本分类模型。CoRR，Vol.abs \/1612.03651（2016），1-13.“}，{”volume-title“：”Kingma and Jimmy Ba“，”year“：”2015“，”author“：”Diederik“，”key“：”e_1_2_25_1“，“unstructured”：”Dioderik P.Kingma和Jimmy Ba.2015。亚当：一种随机优化方法。在ICLR中。OpenReview.net，1-15.“}，{”volume-title“：”基于日志的异常检测，无需日志解析“，”author“：”Le Van-Hoang“，”key“：”e_1_2_2_26_1“，“unstructured”：“Van-Hoong Le and Hongyu Zhang.2021。基于日志的异常检测，无需日志分析。在ASE中。IEEE，492--504.“}，{“volume-title”：“基于日志的深度学习异常检测：我们有多远？”，“author”：“Le Van Hoang”，“key”：“e_1_2_2_27_1”，《unstructured》：“Van Hong Le and Hongyu Zhang.2022。基于日志的深度学习异常检测：我们有多远？。在ICSE中。IEEE，1-12.“}，{”卷标“：”王平慧，易强，林岚，郑和，卢金龙，王勉，丁新全。“，”年份“：”2021年“，”作者“：”李锐“，”关键“：”e_1_2_28_1“，”非结构化“：”芮莉，程志南，帕特里克·PC·李，王平慧，易强、林岚、程和、卢金龙、王勉和丁新全.2021。云级数据中心中的自动化智能修复。在SRDS中。IEEE，244--253。“}，{”key“：”e_1_2_2_29_1“，”unstructured“：”Side Li Lingjiao Chen和Arun Kumar。2019。在因子分解线性代数中实现和优化非线性特征交互。在SIGMOD中。ACM 1571-1588.“}，{“卷标题”：“Swisslog:针对各种故障的鲁棒统一的基于深度学习的日志异常检测”，“年份”：“2020”，“作者”：“李晓云”，“密钥”：“e_1_2_30_1”，“非结构化”：“李晓云、陈鹏飞、景林晓、何子龙和余光霸。2020。Swisslog：针对各种故障的健壮且统一的基于深度学习的日志异常检测。在ISSRE中。IEEE，92-103.“}，｛”卷标题“：“IBM Bluegene\/l事件日志中的故障预测”，“作者”：“Liang Yinglung”，“密钥”：“e_1_2_31_1”，“非结构化”：“Yinglung Liang，Yanyong Zhang，Hui Xiong，and Ramendra Sahoo.2007。IBM Bluegene事件日志中的故障预测。在ICDM中。IEEE，583--588.“}，{”key“：”e_1_2_2_32_1“，”unstructured“：”Qingwei Lin洪宇Zhang Jian-Guang Lou Yu Zhang and Xuewei Chen.2016。基于日志聚类的在线服务系统问题识别。在ICSE中。ACM 102-111.“}，{“volume-title”：“从控制台日志中挖掘不变量以检测系统问题”，“author”：“Lou Jian-Guang”，“key”：“e_1_2_23_1”，“unstructured”：“Jian-Gaung Lou，Qiang Fu，Shenqi Yang，Ye Xu，and Jiang Li.2010。从控制台日志中挖掘不变量以检测系统问题。在ATC中。USENIX协会，1-14.“}，{”key“：”e_1_2_2_34_1“，”首页“：”2346“，”文章标题“：”概念漂移下的学习“，”卷“：”31“，”作者“：”卢杰“，”年份“：”2018“，”非结构化“：”陆杰、刘安进、樊东、冯谷、焦亚奥伽马、张广全.2018a.概念漂移下学习：综述。TKDE，第31卷，第12期（2018），2346-2363“，”journal-title“：”评论。TKDE“}，{“volume-title”：“使用卷积神经网络检测大数据系统日志中的异常”，“author”：“Lu Siyang”，“key”：“e_1_2_35_1”，“unstructured”：“Siyang Lu，Xiang Wei，Yandong Li，and Liqiang Wang.2018b.使用卷积神经元网络检测大数据系统日志的异常。在DASC.IEEE，151--158.”非结构化”：Scott M Lundberg和Su-In Lee。2017年。解释模型预测的统一方法。以NIPS为单位。4765-4774.“}，{“volume-title”：“深度神经网络的自适应知识驱动正则化。第三十五届AAAI人工智能会议，AAAI.8810--8818”，“年份”：“2021”，“作者”：“罗兆静”，“密钥”：“e_1_2_37_1”，“非结构化”：“罗兆静，蔡少峰，崔灿，Beng Chin Ooi，杨扬。2021。深度神经网络的自适应知识驱动正则化。在第三十五届AAAI人工智能会议上。8810--8818.“}，{“volume-title”：“用于复杂分析的自适应轻量级正则化工具。在第34届IEEE国际数据工程会议上，ICDE.485-496”，“年份”：“2018”，“作者”：“罗兆静”，“密钥”：“e_1_2_38_1”，“非结构化”：“罗朝景、蔡少峰、高金阳、张美慧、吴基安、陈刚和李王谦。2018.复杂分析的自适应轻量级正则化工具。在第34届IEEE国际数据工程会议上，ICDE。485--496.“}，{”key“：”e_1_2_2_39_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Adetokunb AO Makanju A Nur Zincir-Heywood and Evangelos e Milios.2009。使用迭代分区对事件日志进行聚类。在SIGKDD中。ACM 1255--1264.“，”DOI“：”10.1145\/1557019.1557154“}，{”volume-title“：”Martins and Ram\u00f3 n Fern\u00e1 ndez Astudillo“，”year“：”2016“，”author“：”Andr\u00e 9 F.“，“key”：“e_1_2_2_40_1”，“unstructured”：“Andr\u 00e9 F.T.Martins&Ram\u 00f3 n Fern\u 00e ndez Astudillo.2016。从Softmax到Sparsemax：注意力的稀疏模型和多标签分类。在ICML中。PMLR，1614--1623.“}，{”卷-时间“：“日志分析：通过单词分类使日志分析自适应”，“年份”：“2020”，“作者”：“孟伟斌”，“关键字”：“e_1_2_41_1”，”非结构化“：“孟维斌，刘颖，费德里科·扎伊特，张胜林，陈一浩，张宇哲，朱一晨，王恩，张瑞芝，陶世民，等，2020。日志分析：通过单词分类使日志分析自适应。在ICCCN中。IEEE，1-9.“}，{”key“：”e_1_2_2_42_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Weibin Meng Ying Liu Yichen Zhu Shu Shenglin Zhang Dan Pei Yuqing Liu Iihao Chen Ruizhi Zhang Shimin Tao Pei Sun et al.2019。对数异常：非结构化测井中连续和定量异常的无监督检测。在IJCAI。4739-4745.“，”DOI“：”10.24963\/ijcai.2019\/658“}，{“volume-title”：“基于搜索的日志消息格式准确识别方法”，“author”：“Messaoudi Salma”，“key”：“e_1_2_43_1”，“unstructured”：“Salma Messaoudis，Annibale Panichella，Domenico Bianculli，Lionel Briand，and Raimondas Sasnauskaskas.2018。一种基于搜索的日志消息格式精确识别方法。在ICPC中。IEEE，167--16710.“}，{“key”：“e_1_2_44_1”，“首页”：“1”，“文章标题”：“人工智能解释：社会科学的见解”，“卷”：“267”，“作者”：“Miller Tim”，“年”：“2019”，“非结构化”：“Tim Miller。2019。人工智能解释：来自社会科学的见解。AIJ，Vol.267（2019），1-38.“，”journal-title“：”AIJ“}，{“volume-title”：“系统日志格式的增量挖掘”，“author”：“Mizutani Masayoshi”，“key”：“e_1_2_45_1”，”unstructured“：”Masayosi Mizutaini.2013。系统日志格式的增量挖掘。在SCC中。IEEE，595--602.“}，{”volume-title“：”抽象日志行以记录挖掘软件系统日志的事件类型“，”author“：”Nagappan Meiyappan“，”key“：”e_1_2_2_46_1“，”unstructured“：”Meiyaappan Nagappand Mladen A Vouk.2010。提取日志行以记录挖掘软件系统日志的事件类型。在MSR中。IEEE，114-117.“}，{”volume-title“：”自我监督日志解析“，”author“：”Nedelkoski Sasho“，”key“：”e_1_2_2_47_1“，“非结构化”：“Sasho Nedelkoki，Jasmin Bogatinovski，Alexander Acker，Jorge Cardoso，and Odej Kao.2020。自我监督日志分析。在ECML-PKDD中。Springer，122--138.“}，{”卷时间“：“Sabine Schulte im Walde，and Ngoc Thang Vu”，“年份”：“2016”，“作者”：“Nguyen Kim Anh”，“键”：“e_1_2_48_1”，“非结构化”：“Kim Anh-Nguyen，Sabine Shulte im-Walde，和Ngoc Tang Vu。2016。将分布词汇对比整合到单词嵌入中，以实现反义词和同义词的区分。在ACL中。ACL，454--459.“}，{”key“：”e_1_2_2_49_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2076450.2076466”}，“volume-title”：“超级计算机所说的：五个系统日志的研究”，“author”：“Oliner Adam”，“key”：“e_1_i2_50_1”，“unstructured”：“Adam Oliner和Jon Stearley，2007。超级计算机所说：五个系统日志的研究。在DSN中。IEEE，575--584。“}，{“卷-时间”：“马丁斯”，“年份”：“2019年”，“作者”：“彼得斯-本”，“密钥”：“e_1_2_2_51_1”，“非结构化”：“本-彼得斯，弗拉德·尼库莱，和安德烈\u00e9 F.T.马丁斯，2019。稀疏序列到序列模型。在ACL中。ACL，1504--1519.“}，{“volume-title”：“Deep Hough Voting for 3d Object Detection in Point Clouds”，“author”：“Qi Charles R”，“key”：“e_1_2_52_1”，“unstructured”：“Charles R Qi，Or Litany，Kaiming He，and Leonidas J Guibas.2019。用于点云中三维目标检测的Deep Hough投票。在ICCV中。IEEE，9277--9286.“}，{”key“：”e_1_2_2_53_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Marco Tulio Ribeiro Sameer Singh和Carlos Guestrin.2016。\u201c我为什么要相信你？\u201d解释任何分类器的预测。在SIGKDD中。ACM 1135--1144.“，”DOI“：”10.1145\/2939672.2939778“}，{”卷时间“：”普拉迪普·库马尔·拉维库玛和安德烈·里斯特斯基“，”年份“：”2021“，”作者“：”罗森菲尔德·埃兰“，”键“：”e_1_2_54_1“，”非结构化“：”埃兰·罗森菲尔德、普拉迪普尔·库马尔·里库玛和安德鲁·里斯特斯基。2021。不变风险最小化的风险。在ICLR中。OpenReview.net，1-27.“}，{”key“：”e_1_2_2_55_1“，”首页“：”513“，”article-title“：”自动文本检索中的术语加权方法“，”volume“：“24”，”author“：”Salton Gerard“，”year“：”1988“，”unstructured“：”Gerard Salton and Christopher Buckley。1988。自动文本检索中的术语加权方法。IPM，Vol.24，5（1988），513--523.“，”journal-title“：”IPM“}，{“volume-title”：“Length Matters:Clustering System Log Messages Using Length of Words.CoRR“，“year”：“2016”，“author”：“Shima Keiichi”，“key”：“e_1_2_2_56_1”，”unstructured“：”Keiichi Shima.2016。长度很重要：使用字长聚类系统日志消息。CoRR，Vol.abs\/1611.03213（2016），1-10.“}，{”key“：”e_1_2_2_57_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Liang Tao Li and Chang-Shing Perng.2011。LogSig：从原始文本日志生成系统事件。在CIKM中。ACM 785--794.“，”DOI“：”10.1109\/ICDM.2010.76“}，{“key”：“e_1_2_58_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1007\/BF01016429”}，“volume-title”：“用于从事件日志中挖掘模式的数据聚类算法”，“author”：“Vaarandi Risto“，”key“：”e_2_59_1“，“unstructured”：“Risto Vaarandi.2003。一种用于从事件日志中挖掘模式的数据聚类算法。在IPOM中。IEEE，119--126.“}，{”volume-title“：”Logcluster-A事件日志的数据聚类和模式挖掘算法“，”author“：”Vaarandi Risto“，”key“：”e_1_2_2_60_1“，“unstructured”：“Risto Vaarandi and Mauno Pihelgas.2015。Logcluster——一种用于事件日志的数据聚类和模式挖掘算法。在CNSM。IEEE，1-7.“}，{”key“：”e_1_2_61_1“，”first page“：“2579”，“article-title”：“使用T-SNE可视化数据”，“volume”：“9”，“author”：“der Maaten-Laurens Van”，“year”：“2008”，“unstructured”：“Laurens Van der Maaten和Geoffrey Hinton。2008。使用T-SNE可视化数据。JMLR，第9卷，第11卷（2008年），第2579-2605页。”，“新闻标题”：“JMLR”}，{“key”：“e_1_2_62_1”，“unstructured”：“Ashish Vaswani Noam Shazeer Niki Parmar Jakob Uszkoreit Llion Jones Aidan N Gomez\u0141ukasz Kaiser和Illia Polosukhin.2017。注意力是你所需要的。在NeurIPS中。5998--6008.“}，{”key“：”e_1_2_2_63_1“，”doi-asserted-by“：”crossref“，“unstructured”：“魏旭玲·黄·阿曼多·福克斯·大卫·帕特森和迈克尔·乔丹。2009。通过挖掘控制台日志检测大规模系统问题。在SOSP中。ACM 117--132.“，”DOI“：”10.1145\/1629575.1629587“}，{”volume-title“：”PLELog：“通过概率标签估计进行基于日志的半监督异常检测”，“author”：“Yang Lin”，“key”：“e_1_2_64_1”，”unstructured“：”Lin Yang，Junjie Chen，Zan Wang，Weijing Wang，Jiajun Jiang，Xuyuan Dong，and Wenbin Zhang.2021。PLELog：通过概率标记估计的半监督基于对数的异常检测。在ICSE中。IEEE，230--231.“}，{”key“：”e_1_2_2_65_1“，”doi-asserted-by“：”crossref“，“unstructured”：“盛林张伟斌孟家浩布森杨颖刘丹培军徐旭陈慧东先平区等，2017。数据中心网络中用于交换机故障诊断和预测的Syslog处理。在IWQoS中。IEEE 1-10.“，”DOI“：”10.1109\/IWQoS.2017.7969130“}，{“volume-title”：“Learning to Check Contract Inconsistencies”，“author”：“Zhang Shuo”，“key”：“e_1_2_66_1”，“unstructured”：“Shuo Zhang，Junzhou Zhao，Pinghui Wang，Nuo Xu，Yang Yang，Yiting Liu，Yi Huang，and Junlan Feng.2021。学习检查合同不一致性。在AAAI。AAAI出版社，14446--14453.“}，{”key“：”e_1_2_2_67_1“，”doi-asserted-by“：”crossref“，“unstructured”：“徐张勇徐庆伟林波乔宏宇张英农党春雨谢新生杨千成则力等，2019。基于稳健日志的不稳定测井数据异常检测。在ESEC\/FSE中。IEEE 807--817.“，“DOI”：“10.1145\/3338906.3338931”}，{“volume-title”：“自动日志分析的工具和基准”，“author”：“朱洁明”，“key”：“e_1_2_68_1”，“unstructured”：“Zhu Jieming，Shilin He，Jinyang Liu，Pinkia He，Qi Xie，Zibin Zheng，and Michael R Lyu.2019。自动化日志分析的工具和基准。在ICSE-SEIP中。IEEE，121-130。io“}]，”container-title“：[”ACM数据管理会议记录“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3588918“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]”，“deposed”：{“date-parts”：[2024,8,7]]，“date-ports”时间“：”2024-08-07T22:43:30Z“，”timestamp“：17230706100000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3588918”}}，“副标题”：[]，“短标题”：[]，“已发布”：{-“日期-部分”：[[2023,5,26]]}，‘参考计数’：68，‘日志发布’：{‘发布’：“1”，‘发布-部分’：{-‘日期-部分’:[2023,5,26’]}}，“alternative-id”：[“10.1145\/3588918”]，“URL”：“http://\/dx.doi.org\/10.1145\/3588918“，”关系“：{}，”ISSN“：[”2836-6573“]，”ISSN-type“：[{”类型“：”电子“，”值“：”28366573“}]，”主题“：[]，”发布“：{”日期部分“：[2023,5,26]]}}}}