論文の概要: A systematic literature review on logging smell detection
- arxiv url: http://arxiv.org/abs/2609.04215v1
- Date: Sun, 21 Jun 2026 13:29:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.461604
- Title: A systematic literature review on logging smell detection
- Title（参考訳）: 検層臭検出に関する系統的文献レビュー
- Abstract要約: 本研究は,伐採臭の検知に焦点をあてた21種類の研究について,系統的な文献レビューを行った。
研究はいまだに散らばっており、矛盾していることがわかった。
ロギングの臭いが研究され、検出される方法を改善する余地は、まだ残っている。
- 参考スコア（独自算出の注目度）: 1.1458853556386799
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Context:Logging is an important part of software development that helps developers monitor systems, understand behavior, and fix problems. But when logging is done poorly, it can introduce logging smells, which are defects that reduce the usefulness of logs or even make them problematic. Objective:This study looks at how logging smells are currently detected. The goal is to better understand the existing research on automatic detection techniques, datasets, and evaluation methods. Method:We conducted a systematic literature review (SLR) of 21 studies focused on detecting logging smells. In this review, we define key logging-related terms, identify and map the types of smells to an existing taxonomy, and examine the detection techniques, datasets, and evaluation strategies used across the studies. Results:We found that the research is still scattered and inconsistent. For example, there is no common benchmark or standardized approach for evaluating results, making it difficult to compare studies. In addition, we observe inconsistencies in the way log smells are addressed, as studies differ in the types and number of smells they target. Conclusion:There is still room for improvement in how logging smells are studied and detected. We point out several challenges and suggest future directions, such as developing better tools, using large language models (LLMs), and building more standardized datasets for evaluation.
- Abstract（参考訳）: コンテキスト:ロギングは、開発者がシステムを監視し、振る舞いを理解し、問題を修正するのに役立つソフトウェア開発の重要な部分です。
しかし、ロギングが不十分な場合には、ログの臭いを発生させ、ログの有用性を低下させたり、問題を起こしたりすることができる。
目的:本研究では、現在どのようにログの臭いが検知されているかを調べます。
目標は、自動検出技術、データセット、評価方法に関する既存の研究をより深く理解することである。
方法: 伐採臭検出に焦点をあてた21の系統的な文献レビュー(SLR)を行った。
本稿では,主要なロギング関連用語を定義し,その臭いの種類を既存の分類に同定・マッピングし,その検出手法,データセット,評価戦略について検討する。
結果:この研究はいまだに散在し、矛盾していることがわかった。
例えば、結果を評価するための一般的なベンチマークや標準化されたアプローチは存在せず、研究を比較するのが難しくなる。
さらに、ログの臭いの種類や匂いの数が異なるため、ログの匂いに対処する方法の矛盾も観察する。
結論:ログの臭いの研究や検出には、まだ改善の余地があります。
より優れたツールの開発、大規模言語モデル(LLM)の使用、評価のためのより標準化されたデータセットの構築など、いくつかの課題を指摘し、今後の方向性を提案する。
関連論文リスト
- Cleaning Logs for Downstream Tasks (Registered Report) [4.907632645136217]
LogPurifierは、ログメッセージテンプレート間の依存関係関係に基づいた、タスクに依存しないログクリーニングアプローチである。
本稿では,LogPurifierが2つの下流タスクの有効性と効率に与える影響を評価するために,制御された実験設計を用いた経験的評価計画を提案する。
論文 参考訳（メタデータ） (2026-06-25T13:17:00Z) - An Empirical Evaluation of Code Smell Detection in Angular Applications [0.37331950863394864]
Angularは、大規模で動的なWebアプリケーションを開発するための最も広く採用されているフレームワークの1つである。
開発者は、アーキテクチャの管理とクリーンでモジュール化されたコードのメンテナンスにおいて、ますます難しい課題に直面している。
本研究では、灰色の文献レビューを通じてAngularコードの臭いを調べ、コミュニティの知識と技術的な議論を統合する。
論文 参考訳（メタデータ） (2026-04-30T14:08:25Z) - Empirical Characterization of Logging Smells in Machine Learning Code [7.520925824033758]
機械学習(ML)プロジェクトにおけるログの臭いに関する実証的研究について述べる。
セキュリティ,メトリクス管理,構成,冗長性,コンテキストに関連する12種類のログの臭いを識別する。
以上の結果から,ログの臭いはMLシステムに広まっており,プロジェクトの頻度や出現頻度が多様であることがわかった。
論文 参考訳（メタデータ） (2026-03-24T23:01:40Z) - Empirical Characterization of Logging Smells in Machine Learning Code [7.520925824033758]
本研究の目的は,機械学習システムにおけるログの臭いを経験的に識別し,特徴付けることである。
我々は、GitHubにホストされているオープンソースのMLリポジトリを大規模にマイニングして、繰り返し発生するログの臭いをカタログ化することを提案する。
論文 参考訳（メタデータ） (2026-01-09T05:48:42Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - Taxonomy of Software Log Smells [5.810137118676013]
この研究の目的は、開発者がより良いロギングコードを書くのに役立つログの臭いの分類を作ることだ。
我々は,学術文献の調査を行い,ロギング問題とツールを特定した。
本論文では,10個のログの匂いの分類について述べる。
論文 参考訳（メタデータ） (2024-12-12T13:54:17Z) - A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
我々は、最先端のOOD検出方法20について詳しく検討する。
不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
論文 参考訳（メタデータ） (2024-04-02T09:40:22Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z)
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。