基于GPR预判模型的海量日志流实时异常检测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 流式实时计算研究现状 | 第12-13页 |
| 1.2.2 异常检测研究现状 | 第13-14页 |
| 1.3 本文主要研究工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关理论与技术研究 | 第17-29页 |
| 2.1 异常检测 | 第17-21页 |
| 2.1.1 基本概念 | 第17-18页 |
| 2.1.2 基于统计理论的异常检测 | 第18页 |
| 2.1.3 基于最近邻的异常检测 | 第18-20页 |
| 2.1.4 基于聚类的异常检测 | 第20-21页 |
| 2.2 流式数据处理 | 第21-23页 |
| 2.2.1 流式数据特征 | 第21页 |
| 2.2.2 流式数据处理模型 | 第21-23页 |
| 2.3 数据流异常检测 | 第23-25页 |
| 2.3.1 数据流异常分类 | 第23页 |
| 2.3.2 数据流概要生成算法 | 第23-24页 |
| 2.3.3 数据流异常检测算法 | 第24-25页 |
| 2.4 JStorm流式计算框架 | 第25-29页 |
| 2.4.1 JStorm部署架构 | 第25-26页 |
| 2.4.2 JStorm并发模型 | 第26-27页 |
| 2.4.3 JStorm消息分发 | 第27-29页 |
| 第三章 基于GPR预判模型的日志流异常检测 | 第29-45页 |
| 3.1 基于预判的日志流异常检测流程 | 第29-30页 |
| 3.2 日志事件抽取 | 第30-33页 |
| 3.2.1 过程式语言 | 第31页 |
| 3.2.2 面向对象语言 | 第31-33页 |
| 3.3 文本日志的数值化表示 | 第33-36页 |
| 3.3.1 信息含量估计 | 第33-34页 |
| 3.3.2 LSCA压缩 | 第34-36页 |
| 3.4 基于GPR预判模型的日志流异常检测 | 第36-40页 |
| 3.4.1 高斯过程回归 | 第36-38页 |
| 3.4.2 GPR预判模型 | 第38-39页 |
| 3.4.3 基于GPR预判模型的日志流异常检测 | 第39-40页 |
| 3.5 实验结果与分析 | 第40-44页 |
| 3.5.1 实验环境与数据集介绍 | 第40-42页 |
| 3.5.2 评价指标 | 第42-43页 |
| 3.5.3 孤立异常检测 | 第43-44页 |
| 3.5.4 局部异常检测 | 第44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 结合LSUS采样优化的GPR预判模型 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 采样算法 | 第45-48页 |
| 4.2.1 LSUS采样算法 | 第46-48页 |
| 4.2.2 LSUS功能验证 | 第48页 |
| 4.3 改进的GPR预判模型 | 第48-51页 |
| 4.3.1 针对局部异常的改进 | 第48-49页 |
| 4.3.2 针对全局异常的改进 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-54页 |
| 4.4.1 孤立和局部异常实验 | 第51-52页 |
| 4.4.2 全局异常实验 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 海量日志流实时异常检测系统设计与实现 | 第55-65页 |
| 5.1 LRADS总体设计 | 第55-59页 |
| 5.1.1 日志采集子系统 | 第55-57页 |
| 5.1.2 实时检测模块 | 第57-58页 |
| 5.1.3 监控报警模块 | 第58-59页 |
| 5.2 LRADS性能优化 | 第59-62页 |
| 5.2.1 离线调度优化 | 第60-61页 |
| 5.2.2 在线调度优化 | 第61-62页 |
| 5.3 实验结果与分析 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 | 第72-73页 |
| 详细摘要 | 第73-75页 |
