## Memo ## Abstract システムログは、ソフトウェアシステムの信頼性を維持する上で重要な役割を担っています。これまでにも、ログを利用した自動的な異常検知の研究は行われており、ベンチマークデータセットにおいて高い精度を達成しています。しかし、大規模なクラウドシステムに適用した場合、これらのソリューションは、高いリソース消費と、進化するログへの適応性の欠如による限界に直面します。本論文では、SeaLogと呼ばれる、正確かつ軽量で適応性のあるログベースの異常検知フレームワークを紹介します。本手法は、リアルタイムの異常検知のために、軽量で動的に成長するトライ構造を採用したトライベース検知エージェント（TDA）を導入しています。進化するログデータに対するTDAの精度を高めるために、専門家からのフィードバックを受けることができるようにしました。興味深いことに、[[ChatGPT]]のような現代の大規模言語モデルは、人間の専門家に匹敵するレベルの一貫性を持ったフィードバックを提供できることが示唆され、手作業による検証作業を軽減できる可能性があることがわかりました。我々は、2つの公開データセットと1つの産業用データセットでSeaLogを広範囲に評価しました。その結果、SeaLogは有効性の面ですべてのベースライン手法を上回り、2倍から10倍速く動作し、メモリリソースを5%から41%しか消費しないことが示された。