論文の概要: ConfLogger: Enhance Systems' Configuration Diagnosability through Configuration Logging
- arxiv url: http://arxiv.org/abs/2508.20977v1
- Date: Thu, 28 Aug 2025 16:31:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.513358
- Title: ConfLogger: Enhance Systems' Configuration Diagnosability through Configuration Logging
- Title（参考訳）: ConfLogger: 構成ログによるシステムの構成診断
- Authors: Shiwen Shan, Yintong Huo, Yuxin Su, Zhining Wang, Dan Li, Zibin Zheng,
- Abstract要約: 既存の診断は、構成上の問題を特定するために、ソフトウェア動作の障害後の分析に重点を置いている。
ソースコードレベルでの既存のロギングプラクティスを強化するために,設定ロギングというアイデアを提案する。
ConfLogger は,LLM ベースのログ生成で構成対応の静的なテナント解析を統一する最初のツールである。
- 参考スコア（独自算出の注目度）: 38.057576902811455
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern configurable systems offer customization via intricate configuration spaces, yet such flexibility introduces pervasive configuration-related issues such as misconfigurations and latent softwarebugs. Existing diagnosability supports focus on post-failure analysis of software behavior to identify configuration issues, but none of these approaches look into whether the software clue sufficient failure information for diagnosis. To fill in the blank, we propose the idea of configuration logging to enhance existing logging practices at the source code level. We develop ConfLogger, the first tool that unifies configuration-aware static taint analysis with LLM-based log generation to enhance software configuration diagnosability. Specifically, our method 1) identifies configuration-sensitive code segments by tracing configuration-related data flow in the whole project, and 2) generates diagnostic log statements by analyzing configuration code contexts. Evaluation results on eight popular software systems demonstrate the effectiveness of ConfLogger to enhance configuration diagnosability. Specifically, ConfLogger-enhanced logs successfully aid a log-based misconfiguration diagnosis tool to achieve 100% accuracy on error localization in 30 silent misconfiguration scenarios, with 80% directly resolvable through explicit configuration information exposed. In addition, ConfLogger achieves 74% coverage of existing logging points, outperforming baseline LLM-based loggers by 12% and 30%. It also gains 8.6% higher in precision, 79.3% higher in recall, and 26.2% higher in F1 compared to the state-of-the-art baseline in terms of variable logging while also augmenting diagnostic value. A controlled user study on 22 cases further validated its utility, speeding up diagnostic time by 1.25x and improving troubleshooting accuracy by 251.4%.
- Abstract（参考訳）: 現代の構成可能なシステムは、複雑な構成空間を通じてカスタマイズを提供するが、そのような柔軟性は、設定ミスや潜伏するソフトウェアバグのような広範囲な構成に関する問題をもたらす。
既存の診断可能性は、構成上の問題を特定するためにソフトウェア動作のポスト障害解析に重点を置いているが、これらのアプローチのどれも、ソフトウェアが診断に十分な障害情報を持っているかどうかを考察していない。
空白を埋めるために、ソースコードレベルで既存のロギングプラクティスを強化するための設定ロギングのアイデアを提案する。
ConfLoggerは、ソフトウェア構成の診断性を高めるために、LLMベースのログ生成と構成対応の静的テナント解析を統一する最初のツールである。
特に我々の方法は
1) プロジェクト全体の構成関連データフローをトレースすることで,構成に敏感なコードセグメントを識別する。
2) 構成コードコンテキストを分析して診断ログ文を生成する。
8つの一般的なソフトウェアシステムの評価結果は、ConfLoggerが構成診断性を高める効果を示した。
具体的には、ConfLoggerで強化されたログは、ログベースのミスコンフィグレーション診断ツールで、30のサイレントな設定ミスコンフィグレーションシナリオにおけるエラーローカライゼーションの100%の精度を達成するのに役立ち、80%は明示的な設定情報によって直接解決可能である。
さらに、ConfLoggerは既存のロギングポイントの74%をカバーし、ベースラインのLCMベースのロガーを12%、30%上回っている。
精度は8.6%高く、リコールでは79.3%高く、F1では26.2%高い。
22例のコントロールされたユーザ調査では、その有用性をさらに検証し、診断時間を1.25倍にし、トラブルシューティングの精度を251.4%向上させた。
関連論文リスト
- An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - How Execution Features Relate to Failures: An Empirical Study and Diagnosis Approach [11.857060911501016]
障害のローカライゼーションは、障害の原因となる可能性のあるコード領域を特定することを目的としている。
従来のテクニックは主にステートメントの実行と失敗を関連付けています。
我々は17の実行特徴を分析し,その相関性を評価した。
論文 参考訳（メタデータ） (2025-02-25T22:00:05Z) - Demystifying and Extracting Fault-indicating Information from Logs for Failure Diagnosis [29.800380941293277]
エンジニアは、診断のためにログ情報の2つのカテゴリを優先順位付けする。
そこで本研究では,LoFIと呼ばれる故障診断のためのログから誤検出情報を自動抽出する手法を提案する。
LoFIは全てのベースライン法を大幅な差で上回り、最高のベースライン法であるChatGPTよりもF1の25.837.9を絶対的に改善した。
論文 参考訳（メタデータ） (2024-09-20T15:00:47Z) - Face It Yourselves: An LLM-Based Two-Stage Strategy to Localize Configuration Errors via Logs [29.736051629726145]
コンフィグレーションエラーはメンテナと新しいエンドユーザにとって大きな課題となる。
ログがほとんどのエンドユーザに容易にアクセス可能であることを考慮し、設定エラーのローカライズにログを利用する際の課題と機会を概説する予備的研究を行う。
予備研究から得られた知見に基づいて,エンドユーザーがログに基づいて根源構成特性をローカライズするためのLLMベースの2段階戦略を提案する。
論文 参考訳（メタデータ） (2024-03-31T10:47:38Z) - 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) - EvLog: Identifying Anomalous Logs over Software Evolution [31.46106509190191]
解析なしでログを処理するためのEvolving Log extractor (EvLog) という新しい教師なし手法を提案する。
EvLogは、異常なログを識別し、不安定なシーケンスによって引き起こされる問題を回避するために、注意機構を備えた異常判別器を実装している。
EvLogは、平均F1スコアが0.955と0.847の2つの実世界のシステム進化ログデータセットにおいて、それぞれバージョン内設定とバージョン間設定で有効であることを示した。
論文 参考訳（メタデータ） (2023-06-02T12:58:00Z) - 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) - Anytime Diagnosis for Reconfiguration [52.77024349608834]
我々は、いつでも直接診断できるflexdiagを紹介し分析する。
特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
論文 参考訳（メタデータ） (2021-02-19T11:45:52Z) - Feature Engineering for Scalable Application-Level Post-Silicon
Debugging [0.456877715768796]
シリコン後のシステム・オン・チップ(SoCs)検証における可観測性向上と根本原因診断の両方法を提案する。
メッセージ選択のための典型的なアプリケーションにおける対話フローの仕様をモデル化する。
我々は、診断問題を、バグのトレースを外れ値として、バグのないトレースを異常値/正常値として識別するものとして定義する。
論文 参考訳（メタデータ） (2021-02-08T22:11:59Z)
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。