• 목록

[일시] 2026.08.27.

[세미나 주제]
LLM-Based Log Analysis: Anomaly Detection and Interpretable Online Log Analysis

[발표자]
조연경

[요약]
본 발표에서는 LLM을 활용한 로그 이상 탐지 방법인 LogLLM과, 해석 가능한 온라인 로그 분석 방법인 LogPrompt를 소개하였다. LogLLM은 정규표현식으로 동적 parameter를 전처리한 뒤 BERT로 각 로그 메시지의 의미 벡터를 추출하고, Projector를 통해 BERT와 Llama의 표현 공간을 정렬한 후 Llama가 로그 시퀀스의 정상·이상을 분류한다. 또한 3단계 학습 절차를 통해 각 구성요소를 순차적으로 최적화하며, 네 개의 공개 데이터셋에서 높은 F1-score를 달성하였다. LogPrompt는 새로운 로그가 지속적으로 발생하는 online scenario에서의 낮은 적응성과 기존 분석 결과의 부족한 해석 가능성을 해결하고자 하였다. 이를 위해 Self-prompt, Chain-of-Thought, In-context의 세 가지 Prompt 전략을 제안하여 별도의 대규모 in-domain model training 없이 로그 파싱과 이상 탐지를 수행하고, 예측 결과와 함께 판단 근거를 제공하였다. 실험에서는 기존 방법 대비 향상된 성능과 함께 전문가 평가를 통해 설명의 유용성과 가독성도 확인하였다. 두 연구를 통해 LLM 기반 로그 분석에서는 단순히 LLM을 적용하는 것보다, 로그의 의미를 적절히 표현하고 모델에 전달하는 방식과 task에 맞는 학습 또는 Prompt 전략이 중요함을 확인하였다. LogLLM은 fine-tuning 기반으로 탐지 성능을 강화한 반면, LogPrompt는 prompting을 통해 새로운 로그에 대한 적응성과 해석 가능성을 강화한다는 차이를 보였다.

[관련 논문]
LogLLM: Log-based Anomaly Detection Using Large Language Models
Interpretable Online Log Analysis Using Large Language Models with Prompt Strategies

[녹화 영상]
https://us06web.zoom.us/rec/share/X0Sby9FURiovhl1dgDWPkS9FOwjxbaaMx1ub5c43ZofOMZ2fyqMiMv3eWa9sPz2q.pwLE5_96p8bpOwRE