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

• LogLLM: Log-based Anomaly Detection Using Large Language Models [7.7704116297749675]
  大規模言語モデル(LLM)を活用するログベースの異常検出フレームワークであるLogLLMを提案する。 LogLLMはBERTを使用してログメッセージからセマンティックベクターを抽出し、変換器デコーダベースのモデルであるLlamaを使ってログシーケンスを分類する。 我々のフレームワークは、性能と適応性を高めるために設計された新しい3段階の手順によって訓練されている。
  論文  参考訳（メタデータ） (2024-11-13T12:18:00Z)
• Studying and Benchmarking Large Language Models For Log Level Suggestion [49.176736212364496]
  大規模言語モデル(LLM)は、様々な領域で研究の焦点となっている。 本稿では,12個のオープンソースLCMのログレベル提案における性能に及ぼす特性と学習パラダイムの影響について検討する。
  論文  参考訳（メタデータ） (2024-10-11T03:52:17Z)
• 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)
• A Large-Scale Evaluation for Log Parsing Techniques: How Far Are We? [42.56249610409624]
  実世界のソフトウェアシステムにおけるログデータの特徴をよりよく反映できる,アノテーション付きログデータセットの新たなコレクションであるLoghub-2.0を提供する。 我々は、より厳密で実践的な設定で15の最先端ログを徹底的に再評価し、特に、既存のメトリクスの非バランスなデータ分布に対する感度を緩和する新しい評価基準を導入する。
  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)
• 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)
• 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。