ECLIPSE 是增强型跨语言工业日志解析模型，它通过整合两种有效的数据驱动模板匹配算法和 Faiss 索引，结合大型语言模型的语义理解能力准确提取日志关键词的语义并有效减少检索空间，具有卓越性能和处理效率。

May, 2024

本文介绍了一种基于 n-gram 字典的自动日志分析方法 Logram，通过与其他五种最先进的日志解析方法的比较，我们发现 Logram 在解析效率方面表现出色，能够支持在线解析日志，并且不会因为 Spark 节点数增加而减少解析准确度。

Jan, 2020

本研究使用大型语言模型（LLMs）进行日志解析，并提出了基于生成型 LLMs 和小规模微调的 LLMParser 方法。通过对 16 个开源系统进行评估，结果显示 LLMParser 相比现有方法具有显著更高的解析准确率（平均 96% 准确率）。另外，研究还对训练数据规模、模型大小和预训练 LLMs 对解析准确率的影响进行了综合实证分析，并发现较小的 LLMs 可能比更复杂的 LLMs 更有效。此外，对于从其他系统的日志进行预训练的 LLMs，并不总是能够提高解析准确率。总而言之，研究为使用 LLMs 进行日志解析提供了实证证据，并强调了基于 LLMs 的日志解析器的局限性和未来研究方向。

Apr, 2024

本文对自动化日志解析进行了全面评估研究，并发布了工具和基准，用于进一步研究和应用。研究评估了 13 种自动化日志解析器，涵盖了 16 个日志数据集，并报告了准确性，鲁棒性和效率的基准结果，在工业应用中分享了成功案例和经验教训，旨在为未来自动化日志解析的研究和应用提供有价值的指导。

Nov, 2018

本文开发了人机交互式模板挖掘框架，支持实时诊断和排除大规模 Web 应用故障，并通过提供三种轻量级用户反馈设计了三种模板挖掘算法。

Jan, 2023

运用大型语言模型探索生成线性化树解决成分句法分析任务，并通过实验证明模型的性能、泛化能力和挑战。

Oct, 2023

日志分析和监控是软件维护和缺陷识别的重要方面。本文提出了一种基于语义的在线聚类方法，动态更新日志聚类以实现对代码错误生命周期的监控，并引入了一种新的度量指标来评估时间日志聚类的性能。通过在工业数据集上进行实验，发现我们的解决方案优于类似系统，希望本研究能在缺陷数据集的时间性探索方面鼓励更多研究。

Mar, 2024

本研究开发了一种基于图表的方法和有效的 top-K 集成技术，通过应用这种方法到多语言的预训练语言模型中，可以在集成和语言无关的方式下诱导出九种语言的句子的非平凡解析，同时发现了普遍的注意力头，这些头与句法信息的感知是一致的，验证了该方法的鲁棒性。

Apr, 2020

通过对以往日志分析研究所采用的常见日志表示技术进行研究和比较，本文选择了六种日志表示技术，并结合七种机器学习模型和四个公共日志数据集，在基于日志的异常检测背景下进行评估，同时分析了日志解析过程和不同特征聚合方法的影响，从而为未来研究人员和开发者在设计自动化日志分析工作流程时提供一些启发性指南，以更好地理解不同日志表示技术的特点，并指导选择最合适的技术进行基于机器学习的日志分析工作流程。

Aug, 2023

提出一种基于不断演化的树结构的在线日志解析方法 USTEP，并通过广泛数据集的评估结果表明，与其他在线方法相比，该方法在效率和鲁棒性方面具有卓越优势。

Apr, 2023