LogICL：蒸馏大语言模型推理以弥合跨域日志异常检测中的语义鸿沟
软件工程
2025-12-11 v1
摘要
有效的日志异常检测对于维持大规模 IT 基础设施的可靠性至关重要。基于 Transformer 的模型需要大量资源和标注数据，加剧了目标域中日志稀缺的冷启动问题。现有的跨域方法利用源日志，但因依赖表面词汇相似性而难以泛化，无法在结构差异中捕捉潜在的语义等价性。为解决这一问题，我们提出 LogICL，一个将大语言模型 (LLM) 推理蒸馏为轻量级编码器的跨域异常检测框架。在训练期间，LogICL 构建了一个增量矩阵，用于衡量通过最大边际相关性选择的相对于零样本推理的示范效用。该编码器通过多目标损失进行优化，包括一个 ICL 引导项（基于推理辅助效用对齐表示）、最大均值差异（用于域对齐）和监督对比损失。在推理阶段，优化后的编码器通过语义相似度和增量分数检索推理感知的示范，使冻结的 LLM 能够通过思维链进行上下文学习，实现准确且可解释的异常检测。在少样本和零样本跨域基准测试上的实验证实了 LogICL 在异构系统中达到了最先进的性能。进一步的分析和案例研究证实，LogICL 弥合了超越表面词汇相似性的语义鸿沟，有效捕捉了潜在的语义等价性，实现了快速部署。
引用
@article{arxiv.2512.09627,
title = {LogICL: Distilling LLM Reasoning to Bridge the Semantic Gap in Cross-Domain Log Anomaly Detection},
author = {Jingwei Ye and Zhi Wang and Chenbin Su and Jieshuai Yang and Jiayi Ding and Chunbo Liu and Ge Chu},
journal= {arXiv preprint arXiv:2512.09627},
year = {2025}
}