論文の概要: KELP: Robust Online Log Parsing Through Evolutionary Grouping Trees

• arxiv url: http://arxiv.org/abs/2601.00633v1
• Date: Fri, 02 Jan 2026 10:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.553468
• Title: KELP: Robust Online Log Parsing Through Evolutionary Grouping Trees
• Title（参考訳）: KELP: 進化的なグループ木によるロバストなオンラインログ解析
• Authors: Satyam Singh, Sai Niranjan Ramachandran,
• Abstract要約: リアルタイムログ分析は、現代のインフラにおける可観測性の基礎である。 既存のオンラインは、生産環境のダイナミズムにはアーキテクチャ上不適である。 textbfKelp textbfEvolutionary textbfLog textbfParser)を提案する。 進化的グループ木(Evolutionary Grouping Tree)と呼ばれる新しいデータ構造の上に構築されている。
• 参考スコア（独自算出の注目度）: 1.8479558716666362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time log analysis is the cornerstone of observability for modern infrastructure. However, existing online parsers are architecturally unsuited for the dynamism of production environments. Built on fundamentally static template models, they are dangerously brittle: minor schema drifts silently break parsing pipelines, leading to lost alerts and operational toil. We propose \textbf{KELP} (\textbf{K}elp \textbf{E}volutionary \textbf{L}og \textbf{P}arser), a high-throughput parser built on a novel data structure: the Evolutionary Grouping Tree. Unlike heuristic approaches that rely on fixed rules, KELP treats template discovery as a continuous online clustering process. As logs arrive, the tree structure evolves, nodes split, merge, and re-evaluate roots based on changing frequency distributions. Validating this adaptability requires a dataset that models realistic production complexity, yet we identify that standard benchmarks rely on static, regex-based ground truths that fail to reflect this. To enable rigorous evaluation, we introduce a new benchmark designed to reflect the structural ambiguity of modern production systems. Our evaluation demonstrates that KELP maintains high accuracy on this rigorous dataset where traditional heuristic methods fail, without compromising throughput. Our code and dataset can be found at codeberg.org/stonebucklabs/kelp
• Abstract（参考訳）: リアルタイムログ分析は、現代のインフラにおける可観測性の基礎である。 しかし、既存のオンラインパーサーは、生産環境のダイナミズムにはアーキテクチャ上不適である。 基本的な静的テンプレートモデルに基づいて構築されているが、危険なほど脆弱である。 マイナースキーマのドリフトが静かに解析パイプラインを壊し、アラートや運用上の障害が失われる。 本稿では,新しいデータ構造である進化的グルーピングツリー上に構築された高スループットパーサである \textbf{KELP} (\textbf{K}elp \textbf{E}volutionary \textbf{L}og \textbf{P}arser を提案する。 固定ルールに依存するヒューリスティックなアプローチとは異なり、KELPはテンプレート発見を継続的オンラインクラスタリングプロセスとして扱う。 ログが到着すると、ツリー構造が進化し、ノードが分割され、マージされ、周波数分布の変化に基づいてルートが再評価される。 この適応性を検証するには、現実的な運用複雑性をモデル化するデータセットが必要です。 厳密な評価を可能にするため,現代の生産システムの構造的あいまいさを反映した新しいベンチマークを導入する。 KELPはスループットを損なうことなく従来のヒューリスティック手法が失敗する厳密なデータセットに対して高い精度を維持していることを示す。 コードとデータセットはcodeberg.org/stonebucklabs/kelp で確認できます。

関連論文リスト

• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• HELP: Hierarchical Embeddings-based Log Parsing [0.25112747242081457]
  ログは、ソフトウェアのメンテナンスと障害診断のための、第一級の情報ソースである。 ログ解析は、異常検出、トラブルシューティング、根本原因分析などの自動ログ解析タスクの前提条件である。 既存のオンライン解析アルゴリズムは、ログドリフトの影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-15T17:54:31Z)
• Lemur: Log Parsing with Entropy Sampling and Chain-of-Thought Merging [18.823038918091207]
  我々は、textbfEntropy サンプリングとチェーン・オブ・シンクトの textbfMerging (model) を用いた最先端の textbfLog 解析フレームワークを導入する。 退屈な手作業のルールを捨てるために,情報エントロピーにインスパイアされた新しいサンプリング手法を提案し,典型的なログを効率的にクラスタリングする。 大規模な公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2024-02-28T09:51:55Z)
• Robust Counterfactual Explanations for Tree-Based Ensembles [22.13493030333195]
  我々は、木ベースのアンサンブルに対して堅牢なカウンターファクトを生成する新しい戦略、RobXを提案する。 まず最初に、カウンターファクトの安定性と呼ばれる新しいメトリクスを紹介します。これは、リトレーニング中の変更をモデル化するために、カウンターファクトの堅牢さを定量化するものです。
  論文  参考訳（メタデータ） (2022-07-06T15:20:45Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Trees-Based Models for Correlated Data [8.629912408966147]
  相関構造を無視する標準木に基づく回帰モデルを実装する際に生じる問題を示す。 新しいアプローチでは,相関構造を分割基準で明示的に考慮する。 相関を考慮しない木モデルに対する新たなアプローチの優位性は,シミュレーション実験と実データ解析によって裏付けられている。
  論文  参考訳（メタデータ） (2021-02-16T12:30:48Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)

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。