論文の概要: LogNLQ: Natural-Language Log Querying with Parser-Induced and Semantically Grounded Schemas

• arxiv url: http://arxiv.org/abs/2607.03884v1
• Date: Sat, 04 Jul 2026 14:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.74516
• Title: LogNLQ: Natural-Language Log Querying with Parser-Induced and Semantically Grounded Schemas
• Title（参考訳）: LogNLQ: パーザおよびセマンティックグラウンドドスキーマによる自然言語ログクエリ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 40.92526942288794
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Logs are essential for system monitoring and failure diagnoses in modern software systems, yet querying them through natural language remains an open challenge. Existing approaches either treat logs as plain text, generate queries for schema-light backends, or assume predefined relational schemas, but none addresses a fundamental obstacle: raw logs carry no executable schema over which structured queries can be defined and run. To address these limitations, we present LogNLQ, a framework that formulates natural-language log querying as executable SQL generation over parser-induced and semantically grounded schemas. LogNLQ parses raw logs into template-partitioned relational tables, then applies dual-granularity semantic grounding to annotate both templates and parameter columns with interpretable names and descriptions. At query time, relevant schema candidates are retrieved via semantic search, and a large language model (LLM) generates executable SQL constrained to the retrieved context. To support rigorous evaluation, we introduce LogNLQ-Bench, an execution-verified benchmark of 8,895 queries over four real-world log datasets. Experimental results demonstrate that LogNLQ consistently outperforms all representative baselines by wide margins, with especially pronounced gains on analytically complex scenario queries.
• Abstract（参考訳）: 現代のソフトウェアシステムでは、ログはシステム監視と障害診断に不可欠だが、自然言語でそれらをクエリすることはオープンな課題である。 既存のアプローチでは、ログをプレーンテキストとして扱うか、スキーマライトバックエンド用のクエリを生成するか、事前定義されたリレーショナルスキーマを仮定するかのいずれかだが、基本的な障害には対処できない。 これらの制限に対処するため、我々は、パーサによって誘導され、セマンティックに基底付けられたスキーマ上で、自然言語ログクエリを実行可能なSQL生成として定式化するフレームワークであるLogNLQを紹介した。 LogNLQは生のログをテンプレート分割リレーショナルテーブルに解析し、二重粒度セマンティックグラウンドを適用して、テンプレートとパラメータ列の両方に解釈可能な名前と記述をアノテートする。 クエリ時に、関連するスキーマ候補をセマンティック検索により検索し、検索されたコンテキストに制約された実行可能SQLを生成する。 厳密な評価を支援するために,実世界の4つのログデータセットに対して8,895クエリの実行検証ベンチマークであるLogNLQ-Benchを紹介した。 実験結果から、LogNLQは、解析的に複雑なシナリオクエリにおいて、すべての代表ベースラインを広範囲に上回り、特に顕著な利得を示した。

関連論文リスト

• Parser-Free Querying of Security Logs [2.9970870516340504]
  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。
  論文  参考訳（メタデータ） (2026-05-21T05:58:04Z)
• 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)
• KBQA-R1: Reinforcing Large Language Models for Knowledge Base Question Answering [64.62317305868264]
  テキスト模倣から強化学習によるインタラクション最適化へパラダイムをシフトするフレームワークである textbfKBQA-R1 を提案する。 KBQAを多ターン決定プロセスとして扱うことで,行動のリストを用いて知識ベースをナビゲートすることを学ぶ。 WebQSP、GrailQA、GraphQuestionsの実験では、KBQA-R1が最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-10T17:45:42Z)
• Last Layer Logits to Logic: Empowering LLMs with Logic-Consistent Structured Knowledge Reasoning [55.55968342644846]
  大規模言語モデル(LLM)は、膨大な非構造化テキストの事前学習を通じて、自然言語推論タスクにおいて優れた性能を達成する。 LLM出力の論理的欠陥を修正するために,ロジット強化とロジットフィルタリングをコアモジュールとして組み込んだ textitLogits-to-Logic フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T07:08:27Z)
• 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)
• Chatting with Logs: An exploratory study on Finetuning LLMs for LogQL [0.781670921955053]
  ロギングは現代の分散アプリケーションでは重要な機能だが、ログクエリ言語やフォーマットの標準化が欠如していることは大きな課題となっている。 本稿では,これらの不整合に対処し,ログクエリ生成を支援するために,新しい自然言語インタフェースを提案する。
  論文  参考訳（メタデータ） (2024-12-04T14:06:24Z)
• 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)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)
• 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。