NiDD2024A+研发数字峰会Al+ Development Digita summitAI驱动研发变革促进企业降本增效北京站08/16-17打造目适应AI运维智慧体:大语言模型在软件日志运维的买践刘逸伦华为2012实验室
演讲嘉宾NDDA土研发故字缝台刘逸伦华为20１2文本机器翻译实验室工程师本科毕业于南开大学，硕士毕业于美国佐治亚理工学院。研究方向包括A!智能运维，大横型质量评估以及大模型提示策略，在相关领域以第一作者通讯作者身份在ICDE、ICSE、IWQOS等顶级国际会议/期刊发表10馀篇论文。
NDDA土研发故字缝台11软件日志运维观点目录2自适应智慧体在运维领域面临的Gap3大模型Prompt引擎助力适应运维智慧体CONTENTS4.大模型知识迁移打造运维专精模型5i未来畅想
DDA+研发数字峰会PART01软件日志运维观点。智能运维演进趋势是从任务数据驱动到自适应运维智慧休
观点1:软件日志运维是从机器语言向自然语言的转化（1日志是机器语言:大规模网络、软件系统在运行过程中每天会产生PB级别的日志，这些日志是一些类自然语言的文本,实时描述了设备的运行状态、异常情况。(2)传统网络运维是机器语言的人工翻译过程:为了维护网络的稳定，运维人员会持续监控设备的远行状态，希望准确、及时地检测异常和突发事件。网络日志是设备运行维护最申要的数据源,运继人员通常会通过解读日志中的日然语言、语义信息来发现问题、分析根因,(3)自动日志分析是机器语言的自动翻译过程:日志文本种类繁多、数量庞大,且多数日志为非结构化文本,无法通过人工方式监控和检测全部的骨志、再审要的具、分析设备凡专党要主党的领域知设、抵时援力:简单的抑则配置报无法理解太的语义信息状态报表自然语言数据来源时间戳详细信息奥自然语吉年结构化文本交换机Jun 1219:03:27Interface te-1/1/59, changed stateto down路由器Jun 132022:03GigabitFithernet1/0/18 linkstatus isDOWN自动日志运维分布式文件系统Jun1219:03:27PacketResponder 1 forblock blk 1608 terminating高性能计算集群Jun1219,03.27Componentisin the unavalable sac(HIVID-4432)机器语言#无统唯住运维对象异常告誉表:2024Al+研发数字峰会|A驱动研发变革促进企业降本增效NDD
观点2:智能运维演进趋势:从仟务数据驱动到自适应运维智慧体代际输入方法目标研究成果类别第一代离散特征和KPI特征识别及统计算拟合异常结果Ft-tree法LoqParse第二代日志文本生成token深度学习拟合异常结果LogAnomaly任务数据驱动LogStamp第三代段落日志和跨域日志预训练语言模型日志语言理解BigLogDa-Parser第四代原始日志和自然语言大语言模型文本可解释性运维LoaPrompt指令驱动第五代自适应远维智慧体:目标自适应，领域自适应、强交互性、可执行性。.。表:LogABox研究项目代际演进思路(1]logAnomaly: Uns upervised detection of sequentil and quantitative anomalies in unstructured logs(UCAI 2019)21Log Parse: Making Log Parsing Adaptive through Word Classification.(ICCCN 2020)i3iLogsStamp;AutomaticonlieLogParsing Besed on SequenceLabeling.(WAINPerformence2021)4jBiglogrUnsupervised Large-scale Pre-training for a Unified Log Representation.(IWQoS 2023)(51DA-Parser.APre-trainedDomain-Aware Parsing frameworkfor HeterogeneousLogAnalysis.(COMPSAC2023)6] Logprompt: Prompt engineering towards zero-shot and interpretable log analysis. (ICSE 2024&ICPC 2024)团队vepo地址:htps/githubcom/logAlBox,2024Al+研发数字峰会|A驱动研发变革促进企业降本增效NDD
DDA+研发数字峰会PART02自适应智慧体在运维领域面临的Gap;传统自动运维模型既没法“自适应",也仅是有限"智慧
Gap1:传统智能运维算法依赖于任务标注数据,仅仅是拟会数据，对于新领域无法自适应PerformanceUpgradirNew featuresFixingbugs(C)Lag parningwitharople/当任务训练数据减少时,传统方法普遍出现了预测精度下降。因此,在线场景下,由于频繁的软件更新、第三方插件等，大部分产生的日志都是模型未见过的,难以获得足量的历要...
