論文の概要: Parser-Free Querying of Security Logs

• arxiv url: http://arxiv.org/abs/2605.22027v1
• Date: Thu, 21 May 2026 05:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.11066
• Title: Parser-Free Querying of Security Logs
• Title（参考訳）: セキュリティログのパーサフリークエリ
• Abstract要約: セキュリティアナリストは、システムログを定期的にクエリして脅威を検出し、インシデントを調査します。 各ログソースは、独自の半構造化フォーマットを使用する。 本稿では,自然言語のセキュリティ問題から実行可能なクエリコードを生成するシステムであるSieveを提案する。
• 参考スコア（独自算出の注目度）: 2.9970870516340504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Security analysts routinely query system logs to detect threats and investigate incidents, but each log source uses its own semi-structured format: logs are cheap to produce, but expensive to use. The standard approach, building per-source parsers to normalize logs into structured schemas, is powerful but requires continuous engineering effort for each new format. Querying raw logs directly with tools like grep avoids this cost, but requires analysts to know each source's message variants and cannot express the multi-line temporal queries that security investigations demand. We present Sieve, a system that generates executable query code from natural-language security questions by grounding a large language model with lightweight, automatically extracted log-format context, requiring only one LLM call per query followed by deterministic execution. Evaluating 133 security queries across 5 log types, we find that Sieve achieves over a 3x reduction in error rate on complex temporal and cross-event queries compared to manual analyst scripting, with the largest gains on the multi-line correlation tasks most critical to active investigations. Our results and benchmark provide evidence that LLM-generated code can bridge the gap between the expressiveness of structured log querying and the immediacy of working directly with raw files.
• Abstract（参考訳）: セキュリティアナリストは、脅威を検出し、インシデントを調べるために、システムログを定期的にクエリするが、それぞれのログソースは、独自の半構造化フォーマットを使用する。 標準のアプローチでは、ログを構造化スキーマに正規化するために、ソース毎のパーサを構築することは強力だが、新しいフォーマットごとに継続的なエンジニアリング作業が必要になる。 grepのようなツールで生ログを直接クエリすることは、このコストを回避するが、アナリストは各ソースのメッセージ変種を知る必要があり、セキュリティ調査が要求する複数行の時間的クエリを表現できない。 本稿では,大規模言語モデルを軽量かつ自動抽出したログフォーマットコンテキストを基盤として,自然言語セキュリティ問題から実行可能なクエリコードを生成するシステムであるSieveについて述べる。 5つのログタイプにまたがる133のセキュリティクエリを評価すると、Sieveは、手動のアナリストスクリプティングと比較して、複雑な時間的および横断的なクエリのエラー率を3倍に削減できることがわかった。 我々の結果とベンチマークは、LLM生成コードが構造化ログクエリの表現性と、生ファイルを直接扱う即時性との間のギャップを埋めることができることを示す。

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)
• LogNLQ: Natural-Language Log Querying with Parser-Induced and Semantically Grounded Schemas [40.92526942288794]
  我々は、ログおよびセマンティックグラウンドドスキーマ上で自然言語クエリを定式化するフレームワークであるLogNLQを提案する。 LogNLQは生ログをテンプレート付きリレーショナルテーブルに解析し、テンプレートとパラメータ列の両方に注釈を付けるために二重粒度セマンティックグラウンドを適用する。 クエリ時に、関連するスキーマ候補がセマンティック検索によって検索され、大きな言語モデルが実行可能sqlを生成する。
  論文  参考訳（メタデータ） (2026-07-04T14:02:06Z)
• LogCopilot: Automating Log Aggregation Analysis through Large Language Models [10.856198031410353]
  本稿では,大規模言語モデル(LLM)に基づく自動ログ集約分析フレームワークであるLogCopilotを提案する。 LogCopilotは自然言語ログ解析命令を受け入れ、知識検索とツール呼び出しを通じて自動ログ解析を実現する。 LogQLクエリの生成と実行によって自動ログアグリゲーション分析を実現する。
  論文  参考訳（メタデータ） (2026-06-13T15:47:53Z)
• Towards Agentic Investigation of Security Alerts [0.07646713951724012]
  セキュリティアナリストは、アラートの量と検出システムが提供する低コンテキストに圧倒されます。 初期段階の調査は通常、複数のログソース間で手動の相関を必要とする。 本稿では,事前定義されたクエリを付加した大規模言語モデル(LLM)を活用する実験的なエージェントワークフローを提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:52:12Z)
• OrLog: Resolving Complex Queries with LLMs and Probabilistic Reasoning [51.58235452818926]
  そこで我々は,論理的推論から述語レベルの妥当性推定を分離するニューロシンボリック検索フレームワークOrLogを紹介する。 大規模言語モデル (LLM) は1つの復号のない前方通過において原子述語に対する可視性スコアを提供し、確率論的推論エンジンはクエリ満足度の後方確率を導出する。
  論文  参考訳（メタデータ） (2026-01-30T15:31:58Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• Semantic-Aware Parsing for Security Logs [12.498937359368309]
  既存のAIベースは構文ログテンプレートの学習に重点を置いているが、クエリに必要な意味解釈は欠如している。 MatryoshkaはLLMを利用してセマンティックな構造化ログを自動的に生成する最初のエンドツーエンドシステムである。 マトリオシカは、価値ある分野を自動的に抽出し整理することで、手作業を大幅に削減する。
  論文  参考訳（メタデータ） (2025-06-20T23:24:09Z)
• 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)
• Stronger, Cheaper and Demonstration-Free Log Parsing with LLMs [18.240096266464544]
  トレーニングプロセスやラベル付きデータを必要としない,費用対効果の高いLCMベースのログであるLogBatcherを提案する。 我々は16の公開ログデータセットの実験を行い、ログ解析にLogBatcherが有効であることを示した。
  論文  参考訳（メタデータ） (2024-06-10T10:39:28Z)
• Log Parsing Evaluation in the Era of Modern Software Systems [47.370291246632114]
  自動ログ分析、ログ解析は、ログから洞察を導き出すための前提条件である。 本研究は,ログ解析分野の問題点,特に異種実世界のログ処理における非効率性を明らかにする。 本稿では,企業コンテキストにおけるログ解析性能を推定するツールであるLogchimeraを提案する。
  論文  参考訳（メタデータ） (2023-08-17T14:19:22Z)
• 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)
• Text Summarization with Latent Queries [60.468323530248945]
  本稿では,LaQSumについて紹介する。LaQSumは,既存の問合せ形式と抽象的な要約のための文書から遅延クエリを学習する,最初の統一テキスト要約システムである。 本システムでは, 潜伏クエリモデルと条件付き言語モデルとを協調的に最適化し, ユーザがテスト時に任意のタイプのクエリをプラグイン・アンド・プレイできるようにする。 本システムでは,クエリタイプ,文書設定,ターゲットドメインの異なる要約ベンチマークにおいて,強力な比較システムの性能を強く向上させる。
  論文  参考訳（メタデータ） (2021-05-31T21:14:58Z)
• 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。

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。