論文の概要: Log Statements Generation via Deep Learning: Widening the Support
Provided to Developers
- arxiv url: http://arxiv.org/abs/2311.04587v1
- Date: Wed, 8 Nov 2023 10:31:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 16:15:17.890011
- Title: Log Statements Generation via Deep Learning: Widening the Support
Provided to Developers
- Title(参考訳): ディープラーニングによるログステートメント生成 - 開発者に提供されるサポートの拡大
- Authors: Antonio Mastropaolo, Valentina Ferrari, Luca Pascarella, Gabriele
Bavota
- Abstract要約: LANCEはディープラーニング(DL)に根ざしたアプローチで、Javaメソッドにログステートメントを正しく注入する能力を示している。
本稿では,ログステートメントを含まないメソッドを識別するDLベースの手法であるLEONIDを提案する。
- 参考スコア(独自算出の注目度): 16.079459379684554
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Logging assists in monitoring events that transpire during the execution of
software. Previous research has highlighted the challenges confronted by
developers when it comes to logging, including dilemmas such as where to log,
what data to record, and which log level to employ (e.g., info, fatal). In this
context, we introduced LANCE, an approach rooted in deep learning (DL) that has
demonstrated the ability to correctly inject a log statement into Java methods
in ~15% of cases. Nevertheless, LANCE grapples with two primary constraints:
(i) it presumes that a method necessitates the inclusion of logging statements
and; (ii) it allows the injection of only a single (new) log statement, even in
situations where the injection of multiple log statements might be essential.
To address these limitations, we present LEONID, a DL-based technique that can
distinguish between methods that do and do not require the inclusion of log
statements. Furthermore, LEONID supports the injection of multiple log
statements within a given method when necessary, and it also enhances LANCE's
proficiency in generating meaningful log messages through the combination of DL
and Information Retrieval (IR).
- Abstract(参考訳): ロギングは、ソフトウェアの実行中にトランスパイアするイベントの監視を支援する。
これまでの調査では、ログの場所、記録するデータ、採用するログレベル(例えば、情報、致命的)などのジレンマなど、ロギングに関して開発者が直面した課題が強調されていた。
この文脈では、LANCEというディープラーニング(DL)に根ざしたアプローチを導入し、約15%のケースでログステートメントをJavaメソッドに正しく注入できることを示した。
それでも、LANCEは2つの主要な制約を課している。
(i)メソッドがロギングステートメントを含める必要があると仮定し、
(ii)複数のログステートメントの注入が不可欠である場合であっても、単一の(新しい)ログステートメントのみを注入することができる。
これらの制限に対処するために,ログステートメントを含まないメソッドを識別するDLベースの手法であるLEONIDを提案する。
さらに、LEONIDは、必要なときに複数のログステートメントの注入をサポートし、DLとInformation Retrieval(IR)の組み合わせによって意味のあるログメッセージを生成するLANCEの能力を高める。
関連論文リスト
- Go Static: Contextualized Logging Statement Generation [38.15795803230719]
SCLoggerは、メソッド間の静的コンテキストを持つコンテキスト化されたロギングステートメント生成アプローチである。
SCLoggerは最先端のアプローチを8.7%のロギング精度、32.1%のレベル精度、19.6%の変数精度、138.4%のテキストBLEU-4スコアで上回っている。
論文 参考訳(メタデータ) (2024-02-20T12:22:59Z) - LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。
具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。
そして、そのような知識を共有パラメータを介して対象領域に転送する。
論文 参考訳(メタデータ) (2024-01-09T12:55:21Z) - Generate Complete Logging Statements with an Efficient End-to-End
Approach [6.341570733705265]
本稿では,ロギングステートメントの自動生成を支援する新しい手法を提案する。
エンドツーエンドの手法は,まずトークン分類を利用してログステートメントを挿入する場所を特定し,次にSeq2Seqモデルを用いてログレベルとログメッセージの完全なログステートメントを生成する。
論文 参考訳(メタデータ) (2023-11-06T04:26:20Z) - A Large-scale Benchmark for Log Parsing [44.16309634200891]
さまざまなログデータセットが存在しており、これらのツールをベンチマークして機能やパフォーマンスを理解することが不可欠である。
ログ解析のための既存のデータセットは、スケールと代表性の点で制限されている。
我々は,実世界のソフトウェアシステムで観測されるログデータをより正確に反映した,LogPubという,大規模アノテートログデータセットのコレクションを導入する。
論文 参考訳(メタデータ) (2023-08-21T16:24:15Z) - Log Parsing Evaluation in the Era of Modern Software Systems [47.370291246632114]
自動ログ分析、ログ解析は、ログから洞察を導き出すための前提条件である。
本研究は,ログ解析分野の問題点,特に異種実世界のログ処理における非効率性を明らかにする。
本稿では,企業コンテキストにおけるログ解析性能を推定するツールであるLogchimeraを提案する。
論文 参考訳(メタデータ) (2023-08-17T14:19:22Z) - LogLG: Weakly Supervised Log Anomaly Detection via Log-Event Graph
Construction [31.31712326361932]
そこで本研究では,LogLGという名前のログ異常検出フレームワークを提案し,シーケンスからキーワード間のセマンティックな関係を探索する。
具体的には、ラベルなしログのキーワードを最初に抽出してログイベントグラフを構築するエンド・ツー・エンドの反復処理を設計する。
そして、未ラベルのログシーケンスの擬似ラベルを生成するために、サブグラフアノテータを構築する。
論文 参考訳(メタデータ) (2022-08-23T09:32:19Z) - Data-Driven Approach for Log Instruction Quality Assessment [59.04636530383049]
優れた品質特性を持つログ命令の記述方法に関するガイドラインは,広く採用されていない。
1)ログレベルの正確さを評価するための正しいログレベルの割り当てと,2)イベント記述の冗長化に必要な静的テキストの最小富度を評価する十分な言語構造である。
本手法は,F1スコア0.99の十分な言語構造を用いて,ログレベルの割当を精度0.88で正確に評価する。
論文 参考訳(メタデータ) (2022-04-06T07:02:23Z) - Borrowing from Similar Code: A Deep Learning NLP-Based Approach for Log
Statement Automation [0.0]
ログステートメントの位置を予測するために,更新および改良されたログ対応コードクローン検出手法を提案する。
我々は,自然言語処理(NLP)と深層学習手法を組み込んで,ログステートメントの記述予測を自動化する。
解析の結果、我々のハイブリッドNLPとコードクローン検出手法(NLP CC'd)は、ログステートメントの場所を見つける際に従来のクローン検出器よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-12-02T14:03:49Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳(メタデータ) (2021-11-02T15:16:08Z) - Leveraging Code Clones and Natural Language Processing for Log Statement
Prediction [0.0]
本研究の目的は、ソースコードクローンと自然言語処理(NLP)を利用してログステートメントを予測することである。
本研究は,ログの自動位置検出と記述予測におけるログ認識型クローン検出の有効性を示す。
論文 参考訳(メタデータ) (2021-09-08T18:17:45Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳(メタデータ) (2020-03-17T19:25:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。