Processing

Please wait...

Settings

Settings

Goto Application

1. WO2019060327 - ONLINE DETECTION OF ANOMALIES WITHIN A LOG USING MACHINE LEARNING

Publication Number WO/2019/060327
Publication Date 28.03.2019
International Application No. PCT/US2018/051601
International Filing Date 18.09.2018
IPC
G06F 11/30 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
30Monitoring
G06F 11/34 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
30Monitoring
34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation
G06F 17/30 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
17Digital computing or data processing equipment or methods, specially adapted for specific functions
30Information retrieval; Database structures therefor
CPC
G06F 11/0766
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
07Responding to the occurrence of a fault, e.g. fault tolerance
0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
0766Error or fault reporting or storing
G06N 3/0445
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0445Feedback networks, e.g. hopfield nets, associative networks
G06N 3/08
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Applicants
  • UNIVERSITY OF UTAH RESEARCH FOUNDATION [US]/[US]
Inventors
  • LI, Feifei
Agents
  • STRINGHAM, John C.
  • BROWN, Levi S.
Priority Data
62/561,12620.09.2017US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) ONLINE DETECTION OF ANOMALIES WITHIN A LOG USING MACHINE LEARNING
(FR) DÉTECTION EN LIGNE D'ANOMALIES DANS UN JOURNAL À L'AIDE D'UN APPRENTISSAGE AUTOMATIQUE
Abstract
(EN)
Improvements in how anomalies are detected within a tracked execution path of an application are disclosed. Log entries in a log are parsed into respective structured data sequences that include a log key and a parameter set for each entry. The combination of these structured data sequences represents an execution path for the application. A vector is then generated, where the vector includes the parameter sets and a set of time values indicating how much time elapsed between each adjacent log entry in the log. A machine learning sequential (MLS) model is then trained using the vectors and the log keys. When the MLS model is applied to a new log entry, the MLS model generates a probability indicating an extent to which the new log entry is normal or abnormal. The MLS model may be applied in a streaming manner to detect anomalies in a quick and efficient manner.
(FR)
L'invention concerne des perfectionnements apportés à la manière de laquelle des anomalies sont détectées dans un chemin d'exécution suivi d'une application. Des entrées de journal dans un journal sont analysées en séquences de données structurées respectives qui comprennent une clé de journal et un ensemble de paramètres pour chaque entrée. La combinaison de ces séquences de données structurées représente un chemin d'exécution pour l'application. Un vecteur est ensuite généré, le vecteur comprenant les ensembles de paramètres et un ensemble de valeurs de temps indiquant la durée qui s'est écoulée entre deux entrées de journal adjacentes dans le journal. Un modèle séquentiel d'apprentissage automatique (MLS) est ensuite entraîné à l'aide des vecteurs et des clés de journal. Lorsque le modèle MLS est appliqué à une nouvelle entrée de journal, le modèle MLS génère une probabilité indiquant une mesure dans laquelle la nouvelle entrée de journal est normale ou anormale. Le modèle MLS peut être appliqué en continu pour détecter des anomalies d'une manière rapide et efficace.
Latest bibliographic data on file with the International Bureau