論文の概要: Detect, Localize, and Explain: Interactive Hierarchical Log Anomaly Analytics with LLM Augmentation

• arxiv url: http://arxiv.org/abs/2605.09222v1
• Date: Sat, 09 May 2026 23:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.122167
• Title: Detect, Localize, and Explain: Interactive Hierarchical Log Anomaly Analytics with LLM Augmentation
• Title（参考訳）: Detect, Localize, and Explain: LLM Augmentationを用いた対話型階層ログ異常解析
• Abstract要約: Krone-vizは,Kroneをベースとした対話型可視化システムである。 階層的なログ分析を解釈可能で、ソフトウェアエンジニアやシステムオペレーターにとって実行可能である。
• 参考スコア（独自算出の注目度）: 4.837274665039076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Logs are ubiquitous in modern systems. Unfortunately, their unstructured nature in flat sequences limits understanding of execution behaviors, hindering effective anomaly diagnosis. To address this, Krone introduces a novel hierarchical log abstraction that transforms flat log sequences into semantically coherent units across entity, action, and status levels. Building on this abstraction, Krone introduces a hierarchical orchestration framework that decomposes flat log sequences into hierarchical execution units and performs modular detection over them. It executes and optimizes the modular detection tasks across levels, enabling precise anomaly detection, localization, and explanation with selective invocation of LLM-based reasoning. In this work, we present Krone-viz, an interactive visualization system based on Krone, which makes hierarchical log analysis interpretable and actionable for software engineers and system operators. Demonstrated on the widely used HDFS benchmark dataset, Krone-viz supports: 1) examining hierarchical decompositions of flat log sequences, 2) inspecting detection results and abnormal segments identified by Krone with LLM-generated explanations, and 3) reusing, reviewing, and revising knowledge generated by LLMs with human-in-the-loop guardrails. The code of Krone-viz is available at https://github.com/LeiMa0324/KRONE_Demo_official, and we deploy a live demo at https://leima0324.github.io/KRONE_Demo_official.
• Abstract（参考訳）: ログは現代のシステムではユビキタスです。 残念なことに、フラットシーケンスにおける非構造的な性質は実行動作の理解を制限し、効果的な異常診断を妨げる。 これを解決するため、Krone氏は、フラットなログシーケンスをエンティティ、アクション、ステータスレベルを越えて意味的に一貫性のある単位に変換する、新しい階層的なログ抽象化を導入した。 この抽象化に基づいてKrone氏は、フラットなログシーケンスを階層的な実行単位に分解し、その上でモジュラー検出を実行する階層的なオーケストレーションフレームワークを導入した。 モジュール検出タスクをレベル毎に実行し最適化し、正確な異常検出、ローカライゼーション、LCMベースの推論の選択的呼び出しによる説明を可能にする。 本稿では,Kroneに基づく対話型可視化システムであるKrone-vizについて紹介する。 広く使用されているHDFSベンチマークデータセットをデモして、Krone-vizは次のようにサポートする。 1)平坦なログ列の階層的分解を調べる。 2) LLM による説明により Krone が同定した検出結果と異常セグメントを検査し, 3) LLMが生み出した知識を人道ガードレールで再利用し, レビューし, 改訂すること。 Krone-vizのコードはhttps://github.com/LeiMa0324/KRONE_Demo_officialで公開されている。

関連論文リスト

• TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
  本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。 TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。 リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。 これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-03T09:39:11Z)
• Analysis-by-Proxy: Localization Signals in VLMs Operating as Condition Encoders [54.06522068041745]
  VLM(Vision-Language Models)は、拡散に基づく画像編集の条件付バックボーンとしてますます利用されている。 スタンドアロンのVLMは強力なローカライゼーション機能を示しているが、パイプラインの編集はこの精度を維持するのに苦労することが多い。 本研究では,VLMを条件エンコーダとして扱うことに起因することを仮説として,この性能ギャップについて検討する。
  論文  参考訳（メタデータ） (2026-07-07T16:11:13Z)
• The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems [0.0]
  典型的なエージェントフレームワークを反転させるランタイムであるActiveGraphについて説明する。 追加のみのイベントログが真実の源であり、ワーキンググラフはそのログの決定論的プロジェクションである。 コンポーネントが他のコンポーネントに指示することはありません。
  論文  参考訳（メタデータ） (2026-05-21T04:55:38Z)
• Seeing the Needle in the Haystack: Towards Weakly-Supervised Log Instance Anomaly Localization via Counterfactual Perturbation [5.94150219760557]
  LogMILPは、バッグレベルの異常検出とインスタンスレベルの異常ローカライゼーションの両方を可能にする弱教師付きフレームワークである。 本手法は,プロトタイプ誘導構造モデルを用いてクリティカルログエントリをピンポイントする手法である。 3つの公開データセットの実験結果は、LogMILPが競合検出性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-05-09T09:21:13Z)
• Logic-Regularized Verifier Elicits Reasoning from LLMs [63.65875399266337]
  論理規則で正規化された教師なしの検証器であるLOVERを提案する。 ローバーは、定理を二項潜在変数として扱い、内部の活性化を活用し、3つの論理的制約を課す。 ローバーは教師なしのベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-05-07T09:03:49Z)
• ReplaySCM: A Benchmark for Executable Causal Mechanism Induction from Interventions [0.0]
  ReplaySCMは、有限介入による因果機構誘導のための1,300項目のベンチマークである。 各項目は、潜在完全に観察された非環状構造因果モデル(SCM)によって生成される二元世界を含む。 ReplaySCMは、Ordered、Block-order、Hidden-order、Hidden-roots設定を通じて、モデルに公開された構造情報を変更します。
  論文  参考訳（メタデータ） (2026-05-05T19:53:27Z)
• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• From Flat Logs to Causal Graphs: Hierarchical Failure Attribution for LLM-based Multi-Agent Systems [13.588125015284257]
  本稿では,カオス軌跡を階層型因果グラフに変換する新しいフレームワークCHIEFを提案する。 Who&Whenベンチマークの実験によると、CHIEFはエージェントレベルの精度とステップレベルの精度の両方で8つの強い、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-27T06:08:42Z)
• KRONE: Hierarchical and Modular Log Anomaly Detection [18.129144046125496]
  KRONEは、フラットログから自動的に実行階層を導出する階層的異常検出フレームワークである。 コアとなるKRONE Log Abstraction Modelは、ログデータからアプリケーション固有のセマンティック階層をキャプチャする。 KRONEはシーケンスレベルの異常検出をモジュール化されたKRONE Seqレベルの検出タスクのセットに変換する。
  論文  参考訳（メタデータ） (2026-02-07T01:30:19Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• A Flag Decomposition for Hierarchical Datasets [17.424354744499695]
  フラッグ多様体は、置換空間のネスト配列を符号化し、様々なコンピュータビジョンや機械学習アプリケーションのための強力な構造として機能する。 ここでは、階層的なデータセットを分解し、処理するための一般的なアルゴリズムの必要性に対処する。 特に,任意の階層的実保存データをStiefel座標の階層値フラグ表現に分解するフラッグベースの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-11T18:59:52Z)
• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• LUNAR: Unsupervised LLM-based Log Parsing [34.344687402936835]
  LUNARは,効率的かつ市販のログ解析のための教師なし手法である。 我々の重要な洞察は、LSMは直接ログ解析に苦労するかもしれないが、それらの性能は比較分析によって大幅に向上できるということである。 大規模な公開データセットの実験は、LUNARが精度と効率の点で最先端のログクラフトを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-11T11:32:01Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [41.99844472131922]
  ノイズ観測から元の信号を復号することは、ほぼすべてのHMMデータ解析における主要な目標の1つである。 QATS, QATS, QATS, QATS, QATS, QATS, QATS, QATS, QATS, QATS, QATS, QATSについて述べる。 QATSの実装はGitHubのRパッケージQATSにある。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)

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。