paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Deep Learning or Classical Machine Learning? An Empirical Study on Log-Based Anomaly Detection

深度学习还是经典机器学习？基于日志的异常检测的实证研究
ICSE Proceedings of the IEEE/ACM 46th International Conference on Software Engineering2024匹配度 2/10 · 该论文研究基于日志的异常检测，属于机器学习在软件工程/AIOps 中的应用，与用户关注的静态分析、Agentic 程序、浮点程序分析、贝叶斯程序分析及 LLM 交叉方向均无直接关系；仅涉及深度学习和经典机器学习的成本对比。引用 59 inbox
Boxi Yu, Jiayi Yao, Qiuai Fu, Zhiqing Zhong, Haotian Xie, Yaoliang Wu, Yuchi Ma, Pinjia He
机器学习与程序语言测试、调试与修复
crossref: 2026-09-12

AI 速览

一句话：通过实证研究对比深度学习与经典机器学习在基于日志的异常检测中的性能与计算成本，揭示实际部署取舍。

本文开展实证研究，系统比较深度学习与经典机器学习在基于日志的异常检测中的表现与计算开销。问题在于：尽管深度学习方法检测性能强，其日志预处理、模型训练和推理耗时较长，难以满足在线分布式云系统快速部署日志异常检测服务的需求。研究强调需权衡检测效益与计算成本。由于摘要未披露具体数据集、模型与结果，本文的核心贡献在于以实证方式揭示这一权衡，并为实际系统选择方法提供依据。

问题
深度学习方法在日志异常检测中性能强，但日志预处理、模型训练和推理耗时长，难以满足在线分布式云系统快速部署日志异常检测服务的需求。
方法
本文对深度学习与经典机器学习在基于日志的异常检测中进行实证对比研究。
评估
评估关注检测性能与计算成本（日志预处理、模型训练、模型推理时间）之间的权衡。
原文摘要（Abstract）

While deep learning (DL) has emerged as a powerful technique, its benefits must be carefully considered in relation to computational costs. Specifically, although DL methods have achieved strong performance in log anomaly detection, they often require extended time for log preprocessing, model training, and model inference, hindering their adoption in online distributed cloud systems that require rapid deployment of log anomaly detection service.

链接与引用

DOI 原文 ·

BibTeX 
@inproceedings{paperbot11416,
  title = {Deep Learning or Classical Machine Learning? An Empirical Study on Log-Based Anomaly Detection},
  author = {Boxi Yu and Jiayi Yao and Qiuai Fu and Zhiqing Zhong and Haotian Xie and Yaoliang Wu and Yuchi Ma and Pinjia He},
  booktitle = {ICSE},
  year = {2024},
  doi = {10.1145/3597503.3623308}
}