Log Anomaly：日志异常检测

原文：LogAnomaly: Unsupervised Detection of Sequential and Quantitative Anomalies in Unstructured Logs

现有的日志序列异常检测方法分类：
        基于日志消息计数器的方法检测quantitative（定量）异常，如PCA、不变量挖掘和LogClustering 等。
        基于深度学习的方法：从日志序列中学习序列模式，如DeepLog(DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning）

现有方法的问题：

        现有的日志异常检测方法，没有利用语义和语法信息。
                例如，两个不同的template在语义上可能是相似的，但是它们对应的索引却不同
        如果只使用template，可能会丢失有价值的信息，因为它们无法揭示日志的语义关系。
        现有的方法不能同时检测序列（sequential ）异常和定量（quantitative ）异常
        对于系统新产生的日志类型，无法准确的预测，传统方法都需要重新微调后才能预测准确。

解决方法：

• 提出了一个统一的数据驱动的深度学习框架—LogAnomaly, 用于非结构话