論文の概要: Log-based vs Graph-based Approaches to Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2604.14019v1
• Date: Wed, 15 Apr 2026 15:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.623749
• Title: Log-based vs Graph-based Approaches to Fault Diagnosis
• Title（参考訳）: ログベースとグラフベースの断層診断手法
• Authors: Mathis Nguyen, Mohamed Ali Lajnef,
• Abstract要約: 既存のアプローチのほとんどは、ログをイベントの線形シーケンスとして扱うログベースのモデルに依存している。 グラフニューラルネットワーク(GNN)に関する最近の研究は、ログをグラフとして表現することが有望な代替手段であることを示唆している。 本稿では,自動故障診断のためのログベースのエンコーダアーキテクチャ(BERTなど)とグラフベースのモデル(GNNなど)の比較研究を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern distributed systems generate large volumes of logs that can be analyzed to support essential AIOps tasks such as fault diagnosis, which plays a crucial role in maintaining system reliability. Most existing approaches rely on log-based models that treat logs as linear sequences of events. However, such representations discard the structural context between events that are often present in execution logs, such as parent-child dependencies, fan-out (branching), or temporal features. To better capture these relationships, recent works on Graph Neural Networks (GNNs) suggest that representing logs as graphs offers a promising alternative. Building on these observations, this paper conducts a comparative study of log-based encoder architectures (e.g., BERT) and graph-based models (e.g., GNNs) for automated fault diagnosis. We evaluate our models on TraceBench, a trace-oriented log dataset, and on BGL, a more traditional system log dataset, covering both anomaly detection and fault type classification. Our results show that graph-only models fail to outperform encoder baselines. However, integrating learned representations from log encoders into graph-based models achieves the strongest overall performance. These findings highlight conditions under which graph-augmented architectures can outperform traditional log-based approaches.
• Abstract（参考訳）: 現代の分散システムは、システム信頼性を維持する上で重要な役割を果たす障害診断などの重要なAIOpsタスクをサポートするために分析可能な大量のログを生成する。 既存のアプローチのほとんどは、ログをイベントの線形シーケンスとして扱うログベースのモデルに依存している。 しかしながら、そのような表現は、親子依存関係、ファンアウト(ブランチ)、時間的特徴など、実行ログにしばしば存在するイベント間の構造的コンテキストを破棄する。 これらの関係をよりよく捉えるために、グラフニューラルネットワーク(GNN)に関する最近の研究は、グラフとしてログを表現することが有望な代替手段であることを示唆している。 本稿では,これらの観測結果に基づいて,自動故障診断のためのログベースエンコーダアーキテクチャ(例えばBERT)とグラフベースモデル(例えばGNN)の比較研究を行う。 トレース指向のログデータセットであるTraceBenchと、従来のシステムログデータセットであるBGLで、異常検出と障害タイプ分類の両方を対象とするモデルを評価した。 その結果、グラフのみのモデルではエンコーダのベースラインを上回りません。 しかし、ログエンコーダから学習した表現をグラフベースモデルに統合することで、全体的なパフォーマンスが最も高い。 これらの知見は、グラフ拡張アーキテクチャが従来のログベースのアプローチより優れている条件を強調している。

関連論文リスト

• Debugging Tabular Log as Dynamic Graphs [24.529035679332605]
  Tabular logは現実世界のシステムでオブジェクトやイベントを抽象化し、更新を報告してシステムの変更を反映する。 本稿では,動的グラフに基づいてグラフログをデバッグする新しいフレームワークであるGraphLog Debuggerを提案する。
  論文  参考訳（メタデータ） (2025-12-28T12:23:41Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Log2graphs: An Unsupervised Framework for Log Anomaly Detection with Efficient Feature Extraction [1.474723404975345]
  手動アノテーションの高コストと使用シナリオの動的な性質は、効果的なログ分析において大きな課題となる。 本研究では,様々なシナリオに対応するために設計されたDualGCN-LogAEと呼ばれる新しいログ特徴抽出モデルを提案する。 また,特徴抽出器に基づく教師なしログ異常検出手法であるLog2graphsを導入する。
  論文  参考訳（メタデータ） (2024-09-18T11:35:58Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• LogGD:Detecting Anomalies from System Logs by Graph Neural Networks [14.813971618949068]
  本稿では,グラフに基づくログ異常検出手法であるLogGDを提案し,この問題に効果的に対処する。 グラフ構造とノードセマンティクスを組み合わせてログベースの異常検出を行うグラフトランスフォーマーニューラルネットワークの強力な機能を利用する。
  論文  参考訳（メタデータ） (2022-09-16T11:51:58Z)
• Log2NS: Enhancing Deep Learning Based Analysis of Logs With Formal to Prevent Survivorship Bias [0.37943450391498496]
  本稿では,機械学習(ML)による観測データに対する確率的解析と,基礎となる形式モデルに基づく記号的推論から導出される確実性を組み合わせたフレームワークであるlog to Neuro-symbolic (Log2NS)を紹介する。 Log2NSは、静的ログと相関エンジンからポジティブなインスタンスを問い合わせる機能と、ネガティブなインスタンスと目に見えないインスタンスの正式な推論を提供する。
  論文  参考訳（メタデータ） (2021-05-29T00:01:08Z)
• 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)

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。