論文の概要: LogCopilot: Automating Log Aggregation Analysis through Large Language Models

• arxiv url: http://arxiv.org/abs/2606.17094v1
• Date: Sat, 13 Jun 2026 15:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.053161
• Title: LogCopilot: Automating Log Aggregation Analysis through Large Language Models
• Title（参考訳）: LogCopilot: 大規模言語モデルによるログ集約分析の自動化
• Authors: Senyu Xie, Chenxi Zhang, Tong Zhou, Jiacheng Liu, Xiaoyu Hong, Qingshan Li, Xin Peng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.856198031410353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logs record the runtime behavior of software and are widely used in various tasks such as debugging, testing, and fault diagnosis. With the increase in system size and complexity, log analysis has gradually become a challenging task. Current industrial systems typically use log aggregation systems such as Grafana Loki and ELK to simplify the log collection and analysis process. Engineers write queries using the DSL query language provided by these systems can complete a variety of log analysis tasks. However, writing these queries is often time-consuming and labor-intensive, as it requires engineers to have a thorough understanding of the DSL syntax and the detailed information contained in the logs. To address these challenges, this paper proposes LogCopilot, an automated log aggregation analysis framework based on large language models (LLMs). LogCopilot accepts natural language log analysis instructions and accomplishes automated log analysis through knowledge retrieval and tool calling. LogCopilot constructs a hierarchical knowledge base to represent and provide key knowledge in logs. And it achieves automated log aggregation analysis by generating and executing LogQL queries. The evaluation based on four log datasets confirm the effectiveness of LogCopilot, which achieves an average accuracy of 76.8% and outperforms baseline approaches. Moreover, experiment results shows that LogCopilot is effective in LogQL query generation.
• Abstract（参考訳）: ログはソフトウェアのランタイム動作を記録し、デバッグ、テスト、障害診断といった様々なタスクで広く利用されている。 システムサイズと複雑性の増大により、ログ分析は徐々に難しい課題になりつつある。 現在の産業システムは、ログ収集と分析プロセスを単純化するために、Grafana LokiやELKのようなログ集約システムを使用するのが一般的である。 これらのシステムが提供するDSLクエリ言語を使ってクエリを書くエンジニアは、さまざまなログ分析タスクを完了できる。 しかし、これらのクエリを書くのに時間と労力がかかり、エンジニアはDSLの構文とログに含まれる詳細な情報を完全に理解する必要がある。 これらの課題に対処するために,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。 LogCopilotは階層的な知識ベースを構築し、ログの重要な知識を表現および提供します。 また、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。 4つのログデータセットに基づく評価では、LogCopilotの有効性が確認され、これは平均精度76.8%に達し、ベースラインアプローチを上回っている。 さらに,LogCopilotがLogQLクエリ生成に有効であることを示す実験結果が得られた。

関連論文リスト

• LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
  本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。 具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。 そして、そのような知識を共有パラメータを介して対象領域に転送する。
  論文  参考訳（メタデータ） (2024-01-09T12:55:21Z)
• A Large-Scale Evaluation for Log Parsing Techniques: How Far Are We? [42.56249610409624]
  実世界のソフトウェアシステムにおけるログデータの特徴をよりよく反映できる,アノテーション付きログデータセットの新たなコレクションであるLoghub-2.0を提供する。 我々は、より厳密で実践的な設定で15の最先端ログを徹底的に再評価し、特に、既存のメトリクスの非バランスなデータ分布に対する感度を緩和する新しい評価基準を導入する。
  論文  参考訳（メタデータ） (2023-08-21T16:24:15Z)
• 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)
• On the Effectiveness of Log Representation for Log-based Anomaly Detection [12.980238412281471]
  本研究は,従来のログ解析研究から広く採用されているログ表現技術について検討し,比較する。 6つのログ表現手法を選択し、7つのMLモデルと4つの公開ログデータセットで評価する。 また、ログ表現技術を採用する際に、ログ解析プロセスと異なる特徴集約アプローチの影響についても検討する。
  論文  参考訳（メタデータ） (2023-08-17T02:18:59Z)
• LogAI: A Library for Log Analytics and Intelligence [27.889928073709516]
  LogAIは、ログ分析とインテリジェンスのためのワンストップのオープンソースライブラリである。 ログの要約、ログクラスタリング、ログ異常検出などのタスクをサポートする。 LogAIは統一されたモデルインターフェースを提供し、人気のある時系列、統計学習、ディープラーニングモデルを提供する。
  論文  参考訳（メタデータ） (2023-01-31T05:08:39Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• 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。