論文の概要: LLM-based event log analysis techniques: A survey

• arxiv url: http://arxiv.org/abs/2502.00677v1
• Date: Sun, 02 Feb 2025 05:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:00:50.355261
• Title: LLM-based event log analysis techniques: A survey
• Title（参考訳）: LLMを用いたイベントログ解析技術:サーベイ
• Authors: Siraaj Akhtar, Saad Khan, Simon Parkinson,
• Abstract要約: イベントログは、コンピューティングデバイスで発生するアクティビティに関する重要な情報を記録する。 研究者は、イベントログ分析プロセスを改善するために、自動テクニックを開発した。 本稿では,LLMを用いたイベントログ解析手法について検討する。
• 参考スコア（独自算出の注目度）: 1.6180992915701702
• License:
• Abstract: Event log analysis is an important task that security professionals undertake. Event logs record key information on activities that occur on computing devices, and due to the substantial number of events generated, they consume a large amount of time and resources to analyse. This demanding and repetitive task is also prone to errors. To address these concerns, researchers have developed automated techniques to improve the event log analysis process. Large Language Models (LLMs) have recently demonstrated the ability to successfully perform a wide range of tasks that individuals would usually partake in, to high standards, and at a pace and degree of complexity that outperform humans. Due to this, researchers are rapidly investigating the use of LLMs for event log analysis. This includes fine-tuning, Retrieval-Augmented Generation (RAG) and in-context learning, which affect performance. These works demonstrate good progress, yet there is a need to understand the developing body of knowledge, identify commonalities between works, and identify key challenges and potential solutions to further developments in this domain. This paper aims to survey LLM-based event log analysis techniques, providing readers with an in-depth overview of the domain, gaps identified in previous research, and concluding with potential avenues to explore in future.
• Abstract（参考訳）: イベントログ分析は、セキュリティ専門家が行う重要なタスクである。 イベントログは、コンピューティングデバイスで発生するアクティビティに関する重要な情報を記録し、大量のイベントが生成されるため、分析するために大量の時間とリソースを消費する。 この要求的かつ反復的なタスクもエラーを起こしやすい。 これらの問題に対処するため、研究者はイベントログ分析プロセスを改善する自動化技術を開発した。 大規模言語モデル(LLM)は、個人が通常行うような幅広いタスクを、高い標準、そして人間を上回るペースと複雑さでうまく実行できることを最近実証した。 このため、研究者はイベントログ分析にLLMを使うことを急速に研究している。 これには、微調整、検索拡張生成(RAG)、パフォーマンスに影響を与えるコンテキスト内学習が含まれる。 これらの研究は良好な進歩を示すが、知識の発達組織を理解し、作業間の共通点を特定し、この領域におけるさらなる発展に対する重要な課題と潜在的な解決策を特定する必要がある。 本稿では, LLM を用いたイベントログ解析技術の調査, ドメインの詳細な概要, 過去の研究で特定されたギャップ, 今後の研究への道のりについて, 読者に提供することを目的とする。

関連論文リスト

• The LLM Effect: Are Humans Truly Using LLMs, or Are They Being Influenced By Them Instead? [60.01746782465275]
  大規模言語モデル(LLM)は、様々な分析タスクにおいて、人間のパフォーマンスに近い能力を示している。 本稿では,Human-LLMパートナーシップに着目した構造化ユーザスタディにより,特殊作業におけるLLMの効率と精度について検討する。
  論文  参考訳（メタデータ） (2024-10-07T02:30:18Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• The Imperative of Conversation Analysis in the Era of LLMs: A Survey of Tasks, Techniques, and Trends [64.99423243200296]
  会話分析(CA)は、会話データから重要な情報を発見し分析する。 本稿では,CAタスクの徹底的なレビューとシステム化を行い,既存の業務を要約する。 会話シーンの再構築,奥行きの属性分析,ターゲットトレーニングの実行,会話の生成から,CAの4つの重要なステップを導出した。
  論文  参考訳（メタデータ） (2024-09-21T16:52:43Z)
• Using Large Language Models for Template Detection from Security Event Logs [0.9217021281095907]
  イベントログ分析技術は、サイバー攻撃のタイムリーな検出と、過去のセキュリティインシデントの分析でセキュリティ専門家を支援するために不可欠である。 構造化されていないテキストイベントログから行パターンやテンプレートを検出することは、イベントログ分析の重要なタスクとして認識されている。 本稿では,構造化されていないセキュリティイベントログからテンプレートを教師なし検出するためのLarge Language Models (LLMs) の適用について検討する。
  論文  参考訳（メタデータ） (2024-09-08T10:06:54Z)
• Generalization v.s. Memorization: Tracing Language Models' Capabilities Back to Pretraining Data [76.90128359866462]
  本稿では,出力確率と事前学習データ頻度の相関を計測する,記憶化,分布記憶化という拡張概念を導入する。 よりシンプルで知識集約的なタスクでは記憶が大きな役割を担い、一方、一般化はより困難で推論に基づくタスクでは鍵となる。
  論文  参考訳（メタデータ） (2024-07-20T21:24:40Z)
• DISCOVER: A Data-driven Interactive System for Comprehensive Observation, Visualization, and ExploRation of Human Behaviour [6.716560115378451]
  我々は,人間行動分析のための計算駆動型データ探索を効率化するために,モジュール型でフレキシブルでユーザフレンドリなソフトウェアフレームワークを導入する。 我々の主な目的は、高度な計算方法論へのアクセスを民主化することであり、これにより研究者は、広範囲の技術的熟練を必要とせずに、詳細な行動分析を行うことができる。
  論文  参考訳（メタデータ） (2024-07-18T11:28:52Z)
• LogEval: A Comprehensive Benchmark Suite for Large Language Models In Log Analysis [32.46940506638522]
  ログ解析タスクにおける大規模言語モデルの性能を評価するために設計されたベンチマークスイートであるLogEvalを紹介する。 このベンチマークでは、ログ解析、ログ異常検出、ログ障害診断、ログ要約などのタスクをカバーしている。 LogEvalは4000の公開ログデータエントリを使用して各タスクを評価し、各タスクに対して15の異なるプロンプトを使用して、徹底的で公正な評価を保証する。
  論文  参考訳（メタデータ） (2024-07-02T02:39:33Z)
• Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
  大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。 しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。 我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
  論文  参考訳（メタデータ） (2024-03-12T13:31:14Z)
• The Shifted and The Overlooked: A Task-oriented Investigation of User-GPT Interactions [114.67699010359637]
  実際のユーザクエリの大規模なコレクションをGPTに解析する。 ユーザインタラクションでは'設計'や'計画'といったタスクが一般的だが,従来のNLPベンチマークとは大きく異なる。
  論文  参考訳（メタデータ） (2023-10-19T02:12:17Z)
• Learning Representations on Logs for AIOps [6.47086647390439]
  大規模言語モデル(LLM)は、膨大な量のラベルのないデータに基づいて自己監督を用いて訓練される。 本稿では,パブリックおよびプロプライエタリなログデータに基づいてトレーニングされたログデータのためのLLMを提案する。 提案するLLMは,公開およびプロプライエタリなログデータに基づいてトレーニングされ,複数のダウンストリームタスクにおいて優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-08-18T20:34:46Z)
• A Comprehensive Survey of Logging in Software: From Logging Statements Automation to Log Mining and Analysis [0.0]
  我々は、トップレベルのピアレビューされた会場に現れた多数の会議およびジャーナル論文を調査した。 この分野を前進させる上で、学術と産業の研究者を導くための一連の課題と機会を提供する。
  論文  参考訳（メタデータ） (2021-10-24T17:15:06Z)

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。