MM-LogVec：基于多模态表征学习的系统日志异常检测方法

基于摘要分析。该研究面向高级持续性威胁（APT）检测，针对系统日志语法复杂、实体交互关系难以建模的问题，提出 MM-LogVec，将日志与安全事件的多模态表征学习和实体关系重建结合，用于实体级异常检测；研究对象并非 EEG 或 BCI。 方法上，作者引入三个预训练任务学习日志与安全事件的联合嵌入，通过跨模态特征对齐建立日志操作与安全事件之间的语义关联；随后使用轻量级图自编码器建模实体交互关系，并通过特征重建检测异常。摘要未说明三个预训练任务的具体定义、对齐损失、图构建方式及异常分数计算方法，这些实现细节尚未验证。 作者报告，在覆盖 10 个 APT 场景的评估中，MM-LogVec 的真阳性率为 98.19%，假阳性率为 3.93%；相较 AIRTAG，处理速度提升 9 倍。摘要未提供场景来源、训练与测试划分、阈值选择、硬件及速度测量口径，实验协议、消融及统计信息尚未验证，不能据此推断跨场景泛化能力。 平台推测（待验证）：若 EEG 异常检测任务同时具备可配对的事件描述或标注，以及可定义的通道交互图，可假设复用跨模态对齐与图重建机制，以缓解信号表征与事件语义脱节的问题；需改造日志编码器、实体图和重建目标。低信噪比、事件标注不精确、跨被试差异及小数据可能使对齐失效，正常生理变异也可能被误报。可在固定被试内划分下，对比仅信号重建与加入事件对齐的模型，并以打乱事件配对作为对照，检验语义配对是否确有贡献。该假设不构成已验证的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。