Time-Aware Log Anomaly Detection Based on Growing Self-organizing Map

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F23%3A00370065" target="_blank" >RIV/68407700:21240/23:00370065 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/chapter/10.1007/978-3-031-48421-6_12" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-031-48421-6_12</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-48421-6_12" target="_blank" >10.1007/978-3-031-48421-6_12</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Time-Aware Log Anomaly Detection Based on Growing Self-organizing Map

Popis výsledku v původním jazyce

A software system generates extensive log data, reflecting its workload and potential failures during operation. Log anomaly detection algorithms use this data to identify deviations in system behavior, especially when errors occur. Workload patterns can vary with time, depending on factors like the time of day or day of the week, affecting log entry volumes. Thus, it’s essential for log anomaly detection to consider temporal information that captures workload variations. This paper introduces a novel log anomaly detection method that incorporates such time information and demonstrates how smaller models enhance anomaly detection precision. We evaluate this method on a high-throughput production workload of a software system, showcasing its superior performance over conventional log anomaly detection methods.

Název v anglickém jazyce

Time-Aware Log Anomaly Detection Based on Growing Self-organizing Map

Popis výsledku anglicky

A software system generates extensive log data, reflecting its workload and potential failures during operation. Log anomaly detection algorithms use this data to identify deviations in system behavior, especially when errors occur. Workload patterns can vary with time, depending on factors like the time of day or day of the week, affecting log entry volumes. Thus, it’s essential for log anomaly detection to consider temporal information that captures workload variations. This paper introduces a novel log anomaly detection method that incorporates such time information and demonstrates how smaller models enhance anomaly detection precision. We evaluate this method on a high-throughput production workload of a software system, showcasing its superior performance over conventional log anomaly detection methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Service-Oriented Computing

ISBN

978-3-031-48420-9

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

9

Strana od-do

169-177

Název nakladatele

Springer, Cham

Místo vydání

—

Místo konání akce

Rome

Datum konání akce

28. 11. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—