基于few-shot微调语言模型的间歇性作业故障类别预测用于诊断
软件工程
2026-04-07 v2 人工智能
计算与语言
机器学习
摘要
从原理上讲，持续集成(CI)管道故障为开发者提供有价值的代码相关错误反馈。然而，管道作业常因非确定性测试、网络中断、基础设施故障、资源耗尽等可靠性问题而发生间歇性故障。这些间歇性(flaky)故障导致显著的效率损失：重复运行造成计算资源浪费，诊断耗时分散开发者注意力，常需依赖专业团队介入。现有工作提出了机器学习技术检测间歇性故障，但未解决后续诊断问题。为填补这一空白，我们引入FlaXifyer，一种基于预训练语言模型的few-shot学习方法，用于预测间歇性作业故障类别。FlaXifyer仅需作业执行日志即可实现，以12个标记示例每类故障类别为准，即可达到84.3%的宏平均F1分数和92.0%的Top-2准确率。我们还提出了LogSift，一种解释性技术，可在1秒内识别影响日志语句，减少74.4%的审查工作量，在87%的情况下勾勒出相关故障信息。评估基于TELUS的2,458个作业故障显示，FlaXifyer和LogSift能够实现有效的自动分流，加快故障诊断，为实现间歇性作业故障的自动化解决铺平了道路。
关键词
引用
@article{arxiv.2601.22264,
title = {Predicting Intermittent Job Failure Categories for Diagnosis Using Few-Shot Fine-Tuned Language Models},
author = {Henri Aïdasso and Francis Bordeleau and Ali Tizghadam},
journal= {arXiv preprint arXiv:2601.22264},
year = {2026}
}
备注
Accepted at the ACM International Conference on the Foundations of Software Engineering (FSE 2026), Industry Track