Un marco unificado para la detección de anomalías puntuales y colectivas en registros del sistema operativo mediante transformadores colaborativos
A unified framework for detecting point and collective anomalies in operating system logs via collaborative transformers
December 29, 2025
Autores: Mohammad Nasirzadeh, Jafar Tahmoresnezhad, Parviz Rashidi-Khazaee
cs.AI
Resumen
La detección de anomalías en registros es crucial para preservar la seguridad de los sistemas operativos. Dependiendo de la fuente de recolección de datos de registro, en los logs se registra diversa información que puede considerarse como modalidades de registro. En vista de esta intuición, los métodos unimodales a menudo tienen dificultades al ignorar las diferentes modalidades de los datos de registro. Mientras tanto, los métodos multimodales no logran manejar las interacciones entre estas modalidades. Aplicando el análisis de sentimientos multimodal a la detección de anomalías en registros, proponemos CoLog, un marco que codifica registros de manera colaborativa utilizando varias modalidades. CoLog utiliza transformadores colaborativos y atención de múltiples cabezas para aprender interacciones entre varias modalidades, garantizando una detección integral de anomalías. Para manejar la heterogeneidad causada por estas interacciones, CoLog incorpora una capa de adaptación de modalidad, que adapta las representaciones de las diferentes modalidades de registro. Esta metodología permite a CoLog aprender patrones y dependencias matizados dentro de los datos, mejorando sus capacidades de detección de anomalías. Experimentos exhaustivos demuestran la superioridad de CoLog sobre los métodos existentes más avanzados. Además, en la detección de anomalías tanto puntuales como colectivas, CoLog logra una precisión media del 99.63%, una exhaustividad media del 99.59% y una puntuación F1 media del 99.61% en siete conjuntos de datos de referencia para la detección de anomalías basada en registros. Las capacidades de detección integral de CoLog lo hacen altamente adecuado para ciberseguridad, monitoreo de sistemas y eficiencia operativa. CoLog representa un avance significativo en la detección de anomalías en registros, proporcionando una solución sofisticada y efectiva para la detección de anomalías puntuales y colectivas a través de un marco unificado y una solución a los complejos desafíos que plantea el análisis automático de datos de registro. También proporcionamos la implementación de CoLog en https://github.com/NasirzadehMoh/CoLog.
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.