オペレーティングシステムログにおけるポイント異常と集合異常を協調トランスフォーマーで検出する統一フレームワーク

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

December 29, 2025

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

cs.AI

要旨

ログ異常検知は、オペレーティングシステムのセキュリティを維持する上で極めて重要である。ログデータ収集のソースに応じて、ログモダリティと見なせる多様な情報がログに記録される。この直観に基づき、単一モダリティ手法はログデータの異なるモダリティを無視するため、しばしば困難に直面する。一方、マルチモダリティ手法はこれらのモダリティ間の相互作用を扱うことができない。マルチモダリティ感情分析をログ異常検知に応用し、我々は多様なモダリティを活用して協調的にログをエンコードするフレームワークであるCoLogを提案する。CoLogは協調型トランスフォーマーとマルチヘッド印象注意機構を利用して、複数のモダリティ間の相互作用を学習し、包括的な異常検知を保証する。これらの相互作用によって生じる異質性を扱うため、CoLogはモダリティ適応層を組み込んでおり、異なるログモダリティからの表現を適応させる。この方法論により、CoLogはデータ内の微妙なパターンと依存関係を学習し、その異常検知能力を強化する。大規模な実験により、CoLogが既存の最先端手法を凌駕することを実証した。さらに、ポイント異常と集合異常の両方の検出において、CoLogはログベース異常検知の7つのベンチマークデータセットで平均精度99.63%、平均再現率99.59%、平均F1スコア99.61%を達成した。CoLogの包括的な検出能力は、サイバーセキュリティ、システム監視、運用効率化に極めて適している。CoLogはログ異常検知における重要な進歩を代表し、統一フレームワークを通じたポイント異常と集合異常検出に対する洗練された効果的ソリューション、および自動ログデータ分析が提起する複雑な課題への解決策を提供する。実装はhttps://github.com/NasirzadehMoh/CoLogで公開している。

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.