Log-based anomaly detection의 핵심 과제는 소프트웨어 시스템의 안정성과 성능을 보장하는 것이다. 기존 방법들은 레이블링에 크게 의존하지만, 대량의 로그를 레이블링하는 것은 매우 어렵다. 이 문제를 해결하기 위해 전이 학습 및 능동 학습 기반 접근 방식이 제안되었지만, 소스 및 타겟 시스템 데이터 분포의 차이 및 콜드 스타트 문제로 인해 효과가 제한적이다. 본 논문에서는 능동 도메인 적응 기반의 새로운 로그 기반 이상 탐지 모델인 LogAction을 제안한다. LogAction은 전이 학습과 능동 학습 기술을 통합하여, 성숙된 시스템의 레이블링된 데이터를 사용하여 기본 모델을 훈련하여 능동 학습의 콜드 스타트 문제를 해결하고, 자유 에너지 기반 샘플링과 불확실성 기반 샘플링을 사용하여 수동 레이블링을 위해 분포 경계에 있는 로그를 선택하여 전이 학습에서의 데이터 분포 차이를 최소한의 수동 레이블링 노력으로 해결한다. 6가지 데이터 세트 조합에 대한 실험 결과, LogAction은 단 2%의 수동 레이블을 사용하여 평균 93.01%의 F1 점수를 달성하여 일부 최첨단 방법보다 26.28% 더 높은 성능을 보였다.
