## Memo ## Abstract 現代のITサービスは複雑なため、障害は多岐にわたり、どの段階でも発生する可能性があり、発見が困難です。このため、ログなどの監視データに異常検知を適用することで、ITサービスを着実に改善し、障害を撲滅するための適切な知見を得ることができます。しかし、高い精度を実現する既存の異常検知手法は、ラベル付き学習データに依存することが多く、実際に取得するのに時間がかかるという問題があります。そこで我々は、ラベル付きデータではなく、監視システムから提供される推定障害時間窓に基づいて、反応的に異常検知を行う反復型ログ解析手法PULLを提案する。我々の注意に基づくモデルは、不均衡なデータを考慮した弱監視深層学習のための新しい目的関数を使用し、異常なログを識別するために正と未知のサンプルに対する反復学習戦略（[[PU学習]]）を適用します。我々の評価では、PULLは3つの異なるデータセットで10個のベンチマークベースラインを一貫して上回り、不正確な障害時間ウィンドウ内でも0.99以上のF1スコアで異常なログメッセージを検出することが示されています。 [[2023__HICSS__PULL - Reactive Log Anomaly Detection Based On Iterative PU Learning__translations]]