LogLLaMA：基于 LLaMA 的转换器式日志异常检测
机器学习
2025-03-20 v1 计算与语言
摘要
日志异常检测指的是区分异常日志消息与正常日志消息的任务。基于转换器的大型语言模型（LLM）因其优异的理解复杂长语言模式能力而在日志异常检测中受到欢迎。本文提出 LogLLaMA，一个新型框架利用 LLaMA2。LogLLaMA 首先在来自三个大型数据集的正常日志消息上进行微调，以学习其模式。微调后，该模型能够生成给定前导日志消息的后续日志消息。我们的生成模型进一步通过强化学习（RL）训练以识别异常日志消息。实验结果表明，LogLLaMA 在 BGL、Thunderbird 和 HDFS 数据集上优于现有方法。
引用
@article{arxiv.2503.14849,
title = {LogLLaMA: Transformer-based log anomaly detection with LLaMA},
author = {Zhuoyi Yang and Ian G. Harris},
journal= {arXiv preprint arXiv:2503.14849},
year = {2025}
}
备注
8 pages, 5 figures