## Memo - [[NetManAIOps]]と[[AIOps@NKU lab]]の研究グループのASE'24会議論文。 ## Memo with LLM ## Abstract 現代のソフトウェアシステムは、より複雑化する傾向にあり、その信頼性の高い運用を確保することは、重要な課題となっている。システムの安定性を維持するためには、ログデータの分析が不可欠であり、異常検知は重要な要素である。しかし、既存のログ異常検知手法は、専門家の手作業に大きく依存しており、システム間の転用性は低い。そのため、新しいデータセットで異常検知を行うには、オペレーターがデータセットを高度に理解し、何度も試行を重ね、うまく機能するアルゴリズムを展開するまでに多くの時間を費やす必要があるという状況が生じている。本稿では、自動機械学習([[AutoM]]L)に基づくエンドツーエンドの教師なしログ異常検知フレームワークであるLogCraftを提案する。LogCraftは、特徴の設計、モデルの選択、異常検知を自動化し、専門知識の必要性を減らし、アルゴリズムの展開の敷居を下げる。5つの公開データセットを用いた広範な評価により、LogCraftの有効性が実証され、平均F1スコアは0.899を達成し、これは既存の非教師ありアルゴリズムの平均F1スコアの2番目に高い値である0.847を上回る。我々の知る限り、LogCraftは完全なログデータセットから潜在的な表現として固定次元ベクトルを抽出する初の試みである。提案されたメタ特徴抽出器は、ログデータセットの類似性を測定し、今後のログ分析研究を導くという有望な可能性も示している。