Page 157 - 《软件学报》2026年第7期

2842 软件学报 2026 年第 37 卷第 7 期

HDFS BGL OpenStack
已出现模板数占总模板数 比例 (%) 60
100
80
40
20
0
20
0
10
30
50
60
40
数据集占比 (%) 70 80 90 100
图 5 日志模板覆盖率随数据量增长的变化

精确率 召回率 Fl 值
1.0 1.0 1.0
0.9 0.9 0.9
0.8 0.8 0.8
0.7 0.7 0.7
0.6 0.6 0.6
10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80 10 20 30 40 50 60 70 80
训练数据比例 (%) 训练数据比例 (%) 训练数据比例 (%)
(a) HDFS 数据集 (b) BGL 数据集 (c) OpenStack 数据集
图 6 3 个数据集在不同训练数据比例下的实验结果

相比之下, BGL 数据集的采集时间跨度较长, 且系统持续更新, 导致日志内容和序列模式频繁变化, 使得模型
在初期训练阶段的异常检测性能较低. 但随着训练数据比例的增加, PCLog 能够逐步学习并适应新的日志模式, 无
需频繁对历史数据进行重训练, 从而实现性能的稳定提升. 以上结果表明, PCLog 具备较强的日志模式适应能力,
能够在保持稳定性能的同时有效完成异常检测任务.
RQ2: 在顺序训练数据下, PCLog 如何适应日志模式的变化?
回答: 在模拟系统升级和日志模式演化的概念漂移场景中, PCLog 通过反馈驱动的自适应微调机制, 能够在长
时间运行过程中保持检测性能的稳定, 而无需频繁重训练. 这表明该方法在应对实际系统运行中的动态变化方面
具有良好的适应性.
4.4 RQ3: 反馈数据对 PCLog 异常检测的影响如何?
● 动机: 模型长期运行容易性能漂移, 需明确反馈数据作用与依赖程度, 解决“反馈样本获取与用量”问题.
● 评估方法: 为进一步阐明反馈机制, 本节实验中的“专家示范数据”由模型在测试集上的误报样本 (false positive)
模拟构成, 即模型误判为异常、但实际正常的日志序列 (人工标注确认正常), 对比不同比例下精确率提升幅度与
微调耗时, 验证实际可行性.
图 7 展示了 PCLog 在不使用反馈数据和引入反馈数据两种情况下的性能变化. 可以看出, 引入反馈数据后,
模型的性能显著提升, 主要体现在精确率的提高上. 这是由于模型在训练阶段仅使用了正常日志序列, 而反馈数据
主要由假阳性样本构成, 即模型误判为异常、实则正常的日志. 这些反馈样本有效帮助模型纠正误判, 从而提升了
整体检测精度.
通过引入这些反馈样本, 模型能够更好地学习正常日志的特征, 从而有效减少误报数量, 直接提升精确率. 实
验结果表明, 对于 HDFS、BGL 和 OpenStack 数据集, 即使仅利用模型自身产生的少量误报样本作为反馈, 也能有
效提升模型的精确率. 上述实验在离线环境下验证了反馈机制的技术可行性. 然而, 在真实的在线系统中, “当模型
性能出现显著下降时可获得一批标注样本”这一条件的满足, 依赖于运维人员对误报进行人工确认和标注. 本研究