OceanBase 与浙大合作成果获 Best of VLDB 2025

近日，浙江大学与 OceanBase 团队合作的论文“CoLA: Model Collaboration for Log-based Anomaly Detection”被国际数据库领域顶级会议 VLDB 2025（International Conference on Very Large Data Bases）遴选为 Best of VLDB 2025，并受邀扩展投稿至数据库领域权威期刊 VLDB Journal（VLDBJ）最佳论文特刊。

上图由 AI 生成，仅供参考

VLDB 是国际数据库领域最具影响力的顶级学术会议之一，与 SIGMOD、ICDE 并称为数据库领域三大国际顶级会议。每年从录用的高水平论文中遴选出 6-7 篇作为 Best of VLDB 以表彰在理论创新、系统设计及应用价值方面具有突出贡献的研究工作。该成果的取得标志着学术界对团队在智能运维与日志分析研究方向创新工作的持续认可。

该论文第一作者为浙江大学博士生朱叙行，导师/通讯作者为浙江大学百人计划研究员唐秀。

论文信息：Xuhang Zhu, Xiu Tang, Sai Wu, Jichen Li, Haobo Wang, Chang Yao, Quanqing Xu, and Gang Chen. CoLA: Model Collaboration for Log-based Anomaly Detection. Proc. VLDB Endow., 18(11): 3979–3987, 2025.

论文链接：https://dl.acm.org/doi/pdf/10.14778/3749646.3749668

该工作聚焦于日志异常检测领域的一个关键挑战：如何兼顾检测效率与准确性，同时提供可解释性。

传统基于深度学习的小型检测模型（SDMs）效率高但可解释性不足，而大语言模型（LLMs）准确且能提供解释，但推理开销较大。针对这一问题，研究团队提出了一种新颖的协同日志异常检测框架 CoLA。在协同推理过程中，小型检测模型作为过滤器快速筛选潜在异常实例，下游的大语言模型作为专家进行精准检测、提供异常解释，并将反馈用于优化小型模型。这种分工协作机制有效融合了两类模型的优势。

实验结果表明，CoLA 在异常检测的有效性、效率和可解释性方面均显著超越现有方法，同时大幅降低了人工标注成本。该研究为日志智能分析系统的设计与优化提供了新的技术路径。