shaikhmuzammil3994-tech/log-anomaly-detection-research
GitHub: shaikhmuzammil3994-tech/log-anomaly-detection-research
基于 CNN-Transformer 混合架构与结构特征工程的日志异常检测研究项目，在 HDFS 和 BGL 数据集上实现了优于传统与神经基线的检测性能。
Stars: 0 | Forks: 0
# 🧠 使用 CNN + Transformer 进行日志异常检测
# 使用 CNN + Transformer 的 Log Anomaly Detection
## 📌 概述
本项目提出了一种结合 CNN 和 Transformer 架构以及结构特征工程的混合深度学习框架，用于日志异常检测。
它在 HDFS 和 BGL 等基准数据集上提升了性能。
## 🚀 特性
- CNN 用于局部模式提取
- Transformer 用于序列学习
- 结构特征工程
- ROC-AUC 评估
- Streamlit 演示应用
## 📊 结果
- ROC-AUC：**0.91**
- 优于以下模型：
- TF-IDF
- Isolation Forest
- LSTM
- 仅 Transformer 模型
## 📁 目录结构
## 📄 引用
如果您使用了本项目，请引用：
DOI: https://doi.org/10.5281/zenodo.19876022
标签：AIOps, AI研究, Apex, BGL, BSD, CNN, HDFS, Kubernetes, LSTM, osquery, Python, PyTorch, ROC-AUC, Streamlit, TF-IDF, Transformer, 人工智能, 凭据扫描, 子域名变形, 孤立森林, 异常检测, 数据挖掘, 无后门, 日志异常检测, 机器学习, 深度学习, 深度序列建模, 混合模型, 用户模式Hook绕过, 系统日志分析, 结构特征工程, 网络安全, 论文复现, 访问控制, 运维安全, 逆向工具, 隐私保护