## Memo ## Memo with LLM ### 論文情報 - 論文のタイトル: Accurate and Interpretable Log-Based Fault Diagnosis using Large Language Models - 著者と所属: Yongqian Sun, Shiyu Ma, Tong Xiao, Yongxin Zhao, Xuhui Cai, Wei Dong, Yue Shen, Yao Zhao, Shenglin Zhang, Jing Han, Dan Pei - カンファレンス/ジャーナル名: IEEE Transactions on Services Computing (TSC) - 発表年: 2025 ## Abstract ログに基づく故障診断は、システムの信頼性と回復力を確保するために不可欠です。しかし、現在の方法は故障診断結果のみを提供し、説明を伴わないため、その信頼性が損なわれています。大規模言語モデル（[[LLM]]s）は広範な事前学習知識を有し、ログ分析において潜在的な可能性を示していますが、専門的な機能やドメイン固有の洞察が不足しているため、ログに基づく故障診断に直接適用できません。さらに、LLMsは文脈の長さに制限があり、適切なモデルを選択するのが困難です。これらの課題を解決するため、本研究ではLLMsを活用して正確で解釈可能なログベースの故障診断を実現するフレームワーク「LogInsight」を提案します。私たちは、ドメイン専門知識を組み込み、解釈可能性を活かすため、中規模のオープンソースLLMを[[ファインチューニング]]しました。さらに、LLMsの文脈長制限を緩和するため、ログシーケンスから重要な情報を抽出する「Fault-Oriented Log Summary（FOLS）」モジュールを設計しました。2つの公開データセットと実世界の生産データセットでの広範な評価結果から、LogInsightが性能と解釈可能性の両面で最先端手法を凌駕することが示されました。