협력형 트랜스포머를 통한 운영 체제 로그 내 개별 이상 및 집단 이상 탐지를 위한 통합 프레임워크

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

December 29, 2025

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

cs.AI

초록

로그 이상 탐지는 운영 체제의 보안을 유지하는 데 중요합니다. 로그 데이터 수집 원천에 따라 다양한 정보가 로그에 기록되며, 이러한 정보는 로그 양식으로 간주될 수 있습니다. 이러한 직관에 비추어 볼 때, 단일 양식 방법은 로그 데이터의 서로 다른 양식을 무시함으로써 종종 어려움을 겪습니다. 한편, 다중 양식 방법은 이러한 양식 간의 상호작용을 처리하지 못합니다. 다중 양식 감정 분석을 로그 이상 탐지에 적용하여, 우리는 다양한 양식을 활용하여 로그를 협력적으로 인코딩하는 CoLog 프레임워크를 제안합니다. CoLog는 협력형 트랜스포머와 다중 헤드 임프레스드 어텐션을 활용하여 여러 양식 간의 상호작용을 학습함으로써 포괄적인 이상 탐지를 보장합니다. 이러한 상호작용으로 인한 이질성을 처리하기 위해 CoLog는 서로 다른 로그 양식에서 오는 표현을 조정하는 양식 적응 계층을 포함합니다. 이 방법론을 통해 CoLog는 데이터 내의 미묘한 패턴과 의존성을 학습하여 이상 탐지 능력을 향상시킵니다. 광범위한 실험을 통해 CoLog가 기존 최첨단 방법들보다 우수함을 입증했습니다. 더 나아가, 점 이상과 집합 이상 모두를 탐지하는 데 있어 CoLog는 로그 기반 이상 탐지를 위한 7개의 벤치마크 데이터셋에서 평균 정밀도 99.63%, 평균 재현율 99.59%, 평균 F1 점수 99.61%를 달성했습니다. CoLog의 포괄적인 탐지 능력은 사이버 보안, 시스템 모니터링 및 운영 효율성에 매우 적합하게 만듭니다. CoLog는 통합된 프레임워크를 통해 점 이상 및 집합 이상 탐지에 대한 정교하고 효과적인 솔루션을 제공하고, 자동 로그 데이터 분석이 제기하는 복잡한 과제에 대한 해결책을 제시함으로써 로그 이상 탐지 분야의 중요한 진전을 나타냅니다. 또한 https://github.com/NasirzadehMoh/CoLog 에서 CoLog의 구현을 제공합니다.

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.