.png){kind=icon}
返回
Large Language Model Framework for Log Sequence Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05176-9_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
日志分析是现代软件可观测性系统的基石，在提升系统可靠性方面发挥着关键作用。近年来，由于大型语言模型（LLMs）能够学习复杂模式，其在日志异常检测中的应用日益增多。本文提出了一种模型无关框架，支持不同LLMs的无缝即插即用集成，便于实验和选择适合特定需求的模型。这些模型首先在正常日志数据上进行微调，学习其模式。在推理阶段，模型基于序列的上下文预测最可能的下一个标记。通过Top-K预测进行异常检测，若实际日志条目未出现在K个最可能的下一个标记中，则标记该序列为异常，其中K由验证数据集确定。该框架在三个常用基准数据集（HDFS、BGL和Thunderbird）上进行了评估，始终取得具有竞争力的结果，并在多个场景中超越当前最优方法。这些结果表明基于LLMs的日志分析的有效性，以及在选择特定操作环境下的模型时灵活性的重要性。
Keyword:
Log Analysis
Fault detection
Observability
期刊
P
IF:
0
论文数:
38
被引数:
0
机构
引用论文
.png){kind=icon}
A Critical Review of Common Log Data Sets Used for Evaluation of Sequence-Based Anomaly Detection Techniques对用于评估基于序列的异常检测技术的常用日志数据集的批判性综述
PREAI
分享收藏分享收藏LogAnomaly: Unsupervised Detection of Sequential and Quantitative Anomalies in Unstructured Logs
OAAI
OAAI分享收藏
查看更多内容