Ein einheitlicher Rahmen zur Erkennung von Punkt- und Kollektivanomalien in Betriebssystemprotokollen mittels kollaborativer Transformer
A unified framework for detecting point and collective anomalies in operating system logs via collaborative transformers
December 29, 2025
papers.authors: Mohammad Nasirzadeh, Jafar Tahmoresnezhad, Parviz Rashidi-Khazaee
cs.AI
papers.abstract
Die Erkennung von Log-Anomalien ist entscheidend für die Sicherheit von Betriebssystemen. Abhängig von der Quelle der Log-Datenerfassung werden verschiedene Informationen in Logs aufgezeichnet, die als Log-Modalitäten betrachtet werden können. Vor diesem Hintergrund scheitern unimodale Methoden häufig daran, dass sie die verschiedenen Modalitäten von Log-Daten ignorieren. Multimodale Methoden hingegen können die Interaktionen zwischen diesen Modalitäten nicht bewältigen. Unter Anwendung multimodaler Sentimentanalyse auf die Log-Anomalieerkennung schlagen wir CoLog vor, einen Rahmen, der Logs unter Nutzung verschiedener Modalitäten kollaborativ kodiert. CoLog verwendet kollaborative Transformer und Multi-Head-Impressed-Attention, um Interaktionen zwischen mehreren Modalitäten zu erlernen und so eine umfassende Anomalieerkennung zu gewährleisten. Um der durch diese Interaktionen verursachten Heterogenität zu begegnen, integriert CoLog eine Modalitätsanpassungsschicht, die die Repräsentationen verschiedener Log-Modalitäten anpasst. Dieser Ansatz ermöglicht es CoLog, nuancenreiche Muster und Abhängigkeiten innerhalb der Daten zu erlernen und so seine Fähigkeiten zur Anomalieerkennung zu verbessern. Umfangreiche Experimente belegen die Überlegenheit von CoLog gegenüber bestehenden State-of-the-Art-Methoden. Darüber hinaus erzielt CoLog bei der Erkennung von Punkt- und Kollektivanomalien über sieben Benchmark-Datensätze für log-basierte Anomalieerkennung eine durchschnittliche Präzision von 99,63%, einen durchschnittlichen Recall von 99,59% und einen durchschnittlichen F1-Score von 99,61%. Die umfassenden Erkennungsfähigkeiten von CoLog machen es hochgradig geeignet für Cybersicherheit, Systemüberwachung und operative Effizienz. CoLog stellt einen bedeutenden Fortschritt in der Log-Anomalieerkennung dar, indem es durch einen einheitlichen Rahmen eine anspruchsvolle und effektive Lösung für die Erkennung von Punkt- und Kollektivanomalien bietet sowie eine Lösung für die komplexen Herausforderungen der automatischen Log-Datenanalyse. Wir stellen die Implementierung von CoLog ebenfalls unter https://github.com/NasirzadehMoh/CoLog zur Verfügung.
English
Log anomaly detection is crucial for preserving the security of operating systems. Depending on the source of log data collection, various information is recorded in logs that can be considered log modalities. In light of this intuition, unimodal methods often struggle by ignoring the different modalities of log data. Meanwhile, multimodal methods fail to handle the interactions between these modalities. Applying multimodal sentiment analysis to log anomaly detection, we propose CoLog, a framework that collaboratively encodes logs utilizing various modalities. CoLog utilizes collaborative transformers and multi-head impressed attention to learn interactions among several modalities, ensuring comprehensive anomaly detection. To handle the heterogeneity caused by these interactions, CoLog incorporates a modality adaptation layer, which adapts the representations from different log modalities. This methodology enables CoLog to learn nuanced patterns and dependencies within the data, enhancing its anomaly detection capabilities. Extensive experiments demonstrate CoLog's superiority over existing state-of-the-art methods. Furthermore, in detecting both point and collective anomalies, CoLog achieves a mean precision of 99.63%, a mean recall of 99.59%, and a mean F1 score of 99.61% across seven benchmark datasets for log-based anomaly detection. The comprehensive detection capabilities of CoLog make it highly suitable for cybersecurity, system monitoring, and operational efficiency. CoLog represents a significant advancement in log anomaly detection, providing a sophisticated and effective solution to point and collective anomaly detection through a unified framework and a solution to the complex challenges automatic log data analysis poses. We also provide the implementation of CoLog at https://github.com/NasirzadehMoh/CoLog.