LogReasoner：面向自动化日志分析的具备专家级粗到细推理能力的 LLM
人工智能
2025-09-30 v2 软件工程
摘要
日志分析对于监控系统健康状态和诊断复杂系统中的故障至关重要。近期大语言模型（LLM）的进展为自动化日志分析提供了新的机会，利用其推理能力执行异常检测和故障预测等任务。然而，通用型 LLM 难以构建与专家认知一致的结构化推理工作流程，无法提供推理步骤的精确细节。为此，我们提出 LogReasoner，一种面向自动化日志分析的粗到细推理增强框架，旨在使 LLM 像专家一样进行推理。LogReasoner 包含两个阶段：（1）粗粒度专家思维增强，通过收集的故障排查流程图和现有任务构建高层次专家思考，使 LLM 能够制定结构化推理工作流程；（2）细粒度具体步骤增强，首先通过任务特定的分步解决方案对 LLM 进行微调，以增强其进行实例化推理的能力，然后利用偏好学习校准 LLM 的推理细节，纠正其错误，进一步强化其分析的细粒度性和正确性。我们在四个不同的日志分析任务上评估了 LogReasoner，使用开源 LLM 如 Qwen-2.5 和 Llama-3。实验结果表明，LogReasoner 显著优于现有 LLM，实现了最先进的性能，展示了其在提升 LLM 推理能力方面的有效性。
引用
@article{arxiv.2509.20798,
title = {LogReasoner: Empowering LLMs with Expert-like Coarse-to-Fine Reasoning for Automated Log Analysis},
author = {Lipeng Ma and Yixuan Li and Weidong Yang and Mingjie Zhou and Xinyi Liu and Ben Fei and Shuhao Li and Xiaoyan Sun and Sihang Jiang and Yanghua Xiao},
journal= {arXiv preprint arXiv:2509.20798},
year = {2025}
}
备注
under review