Fugu-MT 論文翻訳(概要): LogLLaMA: Transformer-based log anomaly detection with LLaMA

論文の概要: LogLLaMA: Transformer-based log anomaly detection with LLaMA

arxiv url: http://arxiv.org/abs/2503.14849v1
Date: Wed, 19 Mar 2025 03:13:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-20 15:25:39.495509
Title: LogLLaMA: Transformer-based log anomaly detection with LLaMA
Title（参考訳）: LogLLaMA: LLaMAによるトランスフォーマーベースのログ異常検出
Authors: Zhuoyi Yang, Ian G. Harris,
Abstract要約: 変圧器ベースの大規模言語モデル(LLM)は、ログ異常検出に人気がある。本稿では,LLaMA2を利用した新しいフレームワークであるLogLLaMAを提案する。
参考スコア（独自算出の注目度）: 5.265563006889007
License:
Abstract: Log anomaly detection refers to the task that distinguishes the anomalous log messages from normal log messages. Transformer-based large language models (LLMs) are becoming popular for log anomaly detection because of their superb ability to understand complex and long language patterns. In this paper, we propose LogLLaMA, a novel framework that leverages LLaMA2. LogLLaMA is first finetuned on normal log messages from three large-scale datasets to learn their patterns. After finetuning, the model is capable of generating successive log messages given previous log messages. Our generative model is further trained to identify anomalous log messages using reinforcement learning (RL). The experimental results show that LogLLaMA outperforms the state-of-the-art approaches for anomaly detection on BGL, Thunderbird, and HDFS datasets.
Abstract（参考訳）: ログ異常検出は、正常なログメッセージと異常なログメッセージを区別するタスクを指す。変圧器をベースとした大規模言語モデル(LLM)は、複雑な言語パターンや長い言語パターンを理解する能力に優れており、ログ異常検出に人気がある。本稿では,LLaMA2を利用した新しいフレームワークであるLogLLaMAを提案する。 LogLLaMAは、まず3つの大規模データセットからの通常のログメッセージに基づいて、パターンを学習する。微調整後、モデルは、前のログメッセージに与えられた連続したログメッセージを生成することができる。我々の生成モデルは、強化学習(RL)を用いて異常なログメッセージを特定するためにさらに訓練されている。実験の結果,LogLLaMAはBGL,Thunderbird,HDFSデータセットの異常検出における最先端のアプローチよりも優れていた。

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)
DALD: Improving Logits-based Detector without Logits from Black-box LLMs [56.234109491884126]
大規模言語モデル(LLM)はテキスト生成に革命をもたらし、人間の文章を忠実に模倣する出力を生成する。我々は、ブラックボックステキスト検出における最先端性能を再定義する革新的なフレームワークであるDLD(Dis Distribution-Aligned LLMs Detection)を提案する。 DALDは、サロゲートモデルの分布を未知の目標LLMの分布と整合させ、高速モデルの反復に対する検出能力とレジリエンスを向上するように設計されている。
論文参考訳（メタデータ） (2024-06-07T19:38:05Z)
LogELECTRA: Self-supervised Anomaly Detection for Unstructured Logs [0.0]
ログベースの異常検出の目標は、短時間で生成された大量のログを分析して、システム異常を自動的に検出することである。従来の研究では、非構造化ログデータからテンプレートを抽出し、テンプレート発生パターンに基づいて異常を検出するためにログを使用していた。自己教師付き異常検出に基づいて1行のログメッセージをより深く分析する新しいログ異常検出モデルであるLogELECTRAを提案する。
論文参考訳（メタデータ） (2024-02-16T01:47:02Z)
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)
LogGPT: Log Anomaly Detection via GPT [15.790373280124196]
ログ異常検出にGPTを用いた新しいフレームワークであるLogGPTを提案する。 LogGPTは、まず、前回のシーケンスに基づいて次のログエントリを予測するように訓練される。本稿では,ログ異常検出タスクに特化してモデルを微調整する新しい強化学習手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:29:50Z)
GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文参考訳（メタデータ） (2023-09-12T04:21:30Z)
LAnoBERT: System Log Anomaly Detection based on BERT Masked Language Model [12.00171674362062]
システムログ異常検出の目的は、人間の介入を最小限に抑えつつ、即座に異常を識別することである。従来の研究では、様々なログデータを標準化されたテンプレートに変換した後、アルゴリズムによる異常検出が行われた。本研究では,自然言語処理性能に優れたLAnoBERTを提案する。
論文参考訳（メタデータ） (2021-11-18T07:46:35Z)
Log-based Anomaly Detection Without Log Parsing [7.66638994053231]
ログ解析を必要としない新しいログベースの異常検出手法であるNeuralLogを提案する。実験の結果,提案手法はログメッセージの意味を効果的に理解できることがわかった。全体として、NeuralLogは4つの公開データセットで0.95以上のF1スコアを獲得し、既存のアプローチを上回っている。
論文参考訳（メタデータ） (2021-08-04T10:42:13Z)
Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-23T09:17:05Z)
Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文参考訳（メタデータ） (2020-08-21T07:26:55Z)
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。