Un framework unificato per il rilevamento di anomalie puntuali e collettive nei log dei sistemi operativi tramite transformer collaborativi

A unified framework for detecting point and collective anomalies in operating system logs via collaborative transformers

December 29, 2025

Autori: Mohammad Nasirzadeh, Jafar Tahmoresnezhad, Parviz Rashidi-Khazaee

cs.AI

Abstract

La rilevazione delle anomalie nei log è cruciale per preservare la sicurezza dei sistemi operativi. A seconda della fonte di raccolta dei dati di log, varie informazioni vengono registrate nei log che possono essere considerate come modalità di log. Alla luce di questa intuizione, i metodi unimodali spesso incontrano difficoltà ignorando le diverse modalità dei dati di log. Nel frattempo, i metodi multimodali non riescono a gestire le interazioni tra queste modalità. Applicando l'analisi del sentiment multimodale alla rilevazione delle anomalie nei log, proponiamo CoLog, un framework che codifica i log in modo collaborativo utilizzando varie modalità. CoLog utilizza transformer collaborativi e un'attenzione multi-testo impressionata per apprendere le interazioni tra diverse modalità, garantendo una rilevazione completa delle anomalie. Per gestire l'eterogeneità causata da queste interazioni, CoLog incorpora uno strato di adattamento della modalità, che adatta le rappresentazioni provenienti dalle diverse modalità di log. Questa metodologia consente a CoLog di apprendere modelli sfumati e dipendenze all'interno dei dati, potenziando le sue capacità di rilevazione delle anomalie. Esperimenti estensivi dimostrano la superiorità di CoLog rispetto ai metodi state-of-the-art esistenti. Inoltre, nel rilevare sia anomalie puntuali che collettive, CoLog raggiunge una precisione media del 99,63%, un recall medio del 99,59% e un punteggio F1 medio del 99,61% su sette dataset di benchmark per la rilevazione di anomalie basata sui log. Le capacità di rilevazione complete di CoLog lo rendono altamente adatto per la cybersecurity, il monitoraggio dei sistemi e l'efficienza operativa. CoLog rappresenta un avanzamento significativo nella rilevazione delle anomalie nei log, fornendo una soluzione sofisticata ed efficace per il rilevamento di anomalie puntuali e collettive attraverso un framework unificato e una soluzione alle complesse sfide poste dall'analisi automatica dei dati di log. Forniamo inoltre l'implementazione di CoLog all'indirizzo 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.