Using Language Models for Knowledge Mining of Software Logs

Dans le contexte des systèmes logiciels modernes, les journaux (logs) sont générés en quantités considérables et constituent une source essentielle d’information pour la surveillance, le débogage et la fiabilité des systèmes à grande échelle. Ces logs enregistrent des événements hétérogènes produits par de multiples composants interconnectés fonctionnant simultanément dans des conditions complexes et dynamiques. Bien qu’ils offrent des informations précieuses sur le comportement du système, leur volume important, leur nature semi-structurée et l’absence de sémantique explicite rendent leur analyse automatisée difficile, en particulier pour des tâches telles que la compréhension du système et l’analyse des causes profondes. À mesure que les systèmes logiciels gagnent en taille et en complexité, l’inspection manuelle des logs devient de plus en plus impraticable. Cela a motivé le développement de techniques automatisées visant à structurer, résumer et analyser les logs afin d’en extraire des connaissances exploitables. Les avancées récentes en traitement automatique du langage naturel et en modèles de langage ont ouvert de nouvelles perspectives pour l’analyse des logs en permettant l’apprentissage de représentations contextuelles et sémantiques directement à partir des données brutes. Toutefois, l’exploitation efficace de ces modèles pour des tâches spécifiques aux logs demeure un défi en raison des particularités structurelles des logs et de la diversité des objectifs d’analyse.