Um framework unificado para detecção de anomalias pontuais e coletivas em logs de sistema operacional via transformers 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

Resumo

A detecção de anomalias em logs é crucial para preservar a segurança dos sistemas operacionais. Dependendo da fonte de recolha de dados de log, várias informações são registadas nos logs que podem ser consideradas modalidades de log. Face a esta intuição, os métodos unimodais frequentemente debatem-se por ignorar as diferentes modalidades dos dados de log. Entretanto, os métodos multimodais falham em lidar com as interações entre estas modalidades. Aplicando a análise de sentimentos multimodal à detecção de anomalias em logs, propomos o CoLog, uma estrutura que codifica colaborativamente os logs utilizando várias modalidades. O CoLog utiliza transformadores colaborativos e atenção multi-head impressionada para aprender interações entre várias modalidades, garantindo uma detecção de anomalias abrangente. Para lidar com a heterogeneidade causada por estas interações, o CoLog incorpora uma camada de adaptação de modalidade, que adapta as representações de diferentes modalidades de log. Esta metodologia permite ao CoLog aprender padrões e dependências subtis nos dados, melhorando as suas capacidades de detecção de anomalias. Experiências extensivas demonstram a superioridade do CoLog sobre os métodos state-of-the-art existentes. Além disso, na detecção de anomalias pontuais e coletivas, o CoLog atinge uma precisão média de 99,63%, um recall médio de 99,59% e um score F1 médio de 99,61% em sete conjuntos de dados de referência para detecção de anomalias baseada em logs. As capacidades de detecção abrangentes do CoLog tornam-no altamente adequado para cibersegurança, monitorização de sistemas e eficiência operacional. O CoLog representa um avanço significativo na detecção de anomalias em logs, fornecendo uma solução sofisticada e eficaz para a detecção de anomalias pontuais e coletivas através de uma estrutura unificada e uma solução para os complexos desafios que a análise automática de dados de log coloca. Também disponibilizamos a implementação do CoLog em 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.