論文の概要: NLLog: Lightweight, Explainable SOC Anomaly Detection via Log-to-Language Rewriting

• arxiv url: http://arxiv.org/abs/2606.04957v1
• Date: Wed, 03 Jun 2026 14:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.833636
• Title: NLLog: Lightweight, Explainable SOC Anomaly Detection via Log-to-Language Rewriting
• Title（参考訳）: NLLog:log-to-Language書き換えによる軽量で説明可能なSOC異常検出
• Authors: Samuel Ndichu, Tao Ban, Seiichi Ozawa, Takeshi Takahashi, Daisuke Inoue,
• Abstract要約: NLLogは、解析済みのテンプレートをWHO-WHAT-SEVERITY文に決定的に書き換える軽量パイプラインである。 用語-周波数-逆文書-周波数重み付け、ツリーアンサンブルによるセッションの分類、およびバックプロジェクトエビデンスでそれらをプールする。 セキュリティ・オペレーション・センターのトリアージに適したコモディティ・ハードウェアのレイテンシで、偽陽性率を低く保っている。
• 参考スコア（独自算出の注目度）: 3.6732711233211663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: System-generated logs underpin security monitoring, yet their rigid template-based format hinders both automated analysis and human comprehension. We present NLLog (Natural-Language Log), a lightweight pipeline that deterministically rewrites parsed templates into WHO-WHAT-SEVERITY sentences, pools them with term-frequency-inverse-document-frequency weighting, classifies sessions with tree ensembles, and back-projects evidence with TreeSHAP for analyst review. On Hadoop Distributed File System (HDFS) and Blue Gene/L (BGL) corpora, NLLog exceeds two reproduced matched-protocol baselines; across HDFS, BGL, and the AIT Alert Data Set, it sustains low false-positive rates with commodity-hardware latency suitable for security operations center triage. Coverage, sparse-versus-dense, faithfulness, and adversarial ablations show that fallback sufficiency is corpus-dependent, that an enrollment-time coverage check can surface refinement requirements before deployment, and that an auditable deterministic rewrite combined with lightweight dense encoding provides a measurable representation layer for log-anomaly detection and triage.
• Abstract（参考訳）: システム生成ログはセキュリティ監視の基盤となっているが、その厳格なテンプレートベースのフォーマットは、自動分析と人間の理解の両方を妨げる。 NLLog(Natural-Language Log)は、解析済みテンプレートをWHO-WHAT-SEVERITY文に決定的に書き直し、項周波数逆文書-周波数重み付けでプールし、ツリーアンサンブルでセッションを分類し、アナリストレビューのためにTreeSHAPで証拠をバックプロジェクトする軽量パイプラインである。 Hadoop Distributed File System(HDFS)とBlue Gene/L(BGL)のコーパスでは、NLLogは2つの再現されたマッチしたプロトコールベースラインを超えている。 カバー,スパース・ヴァース・デンス,忠実さ,および敵のアブレーションは,フォールバック・サフィリエイトがコーパスに依存していること,登録時カバレッジチェックが展開前の洗練要件を表面化できること,軽量なエンコーディングと組み合わせた聴覚的決定論的リライトは,対数異常検出とトリアージのための測定可能な表現層を提供することを示している。

関連論文リスト

• Instruction-Tuned LLMs for Parsing and Mining Unstructured Logs on Leadership HPC Systems [0.7874708385247352]
  大規模言語モデル(LLM)は、リーダーシップクラスHPC環境での自動ログ理解のための、有望な新しい方向性を提供する。 本稿では,HPCログを高忠実度で解析・構造化するために,チェーン・オブ・思想(CoT)推論を利用するフレームワークを提案する。 LogHubリポジトリからさまざまなログデータセットの実験を行います。
  論文  参考訳（メタデータ） (2026-04-06T20:59:48Z)
• FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
  我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。 その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
  論文  参考訳（メタデータ） (2026-02-02T03:00:19Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• Nearest Neighbor Speculative Decoding for LLM Generation and Attribution [87.3259169631789]
  Nearest Speculative Decoding (NEST)は、任意の長さの実世界のテキストスパンをLM世代に組み込むことができ、それらのソースへの属性を提供する。 NESTは、様々な知識集約タスクにおいて、基本LMの生成品質と帰属率を大幅に向上させる。 さらに、NESTは、Llama-2-Chat 70Bに適用した場合の推論時間において1.8倍のスピードアップを達成することにより、生成速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-05-29T17:55:03Z)
• 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)
• 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。