복합 프롬프트를 활용한 거대 언어 모델 기반 로그 이상 탐지

국문 초록 (Abstract)

로그 이상 탐지는 비정상 패턴을 식별하여 시스템의 안정적인 운영을 보장하는 핵심 기술이다. 하지만 최근 거대 언어 모델(LLM)을 활용한 프롬프트 기반 접근은 제한된 예시와 국소 맥락에 의존해 전체 로그 분포나 도메인 맥락을 충분히 반영하지 못하는 한계가 있다. 이에 본 연구에서는 LLM의 언어 능력과 전체 데이터셋 기반 정량 신호를 결합할 수 있는 하이브리드 프롬프트 기법을 제안한다. 구체적으로, 학습 데이터에 존재하지 않는 로그를 명시하는 entry 기반의 분석, 정상 및 테스트 시퀀스 간 유사도 분석을 통한 분포 비교가 가능한 sequence 기반 분석, 유사한 정상 시퀀스 예시 제공을 통한 직관적 판단 보조의 세 가지 보완 신호를 프롬프트에 포함한다. 이를 통해 LLM이 단순한 예시 매칭을 넘어 다양한 통계·맥락 정보를 근거로 종합적 추론을 수행한다. 실험 결과, 3개의 데이터셋에서 높은 탐지 성능을 보였으며, F1-score를 평균 9.93%p 개선하였다.

다국어 초록 (Multilingual Abstract)

Log anomaly detection is crucial for maintaining stable operations in large-scale IT systems by identifying abnormal patterns. Recently, prompt-based approaches utilizing large language models (LLMs) have gained attention. However, these methods often depend on limited examples and local contexts, which prevents them from fully capturing the overall log distribution and domain context.
To overcome this limitation, we propose a hybrid prompt method that integrates the language understanding capabilities of LLMs with quantitative signals from feature engineering. Our approach incorporates three complementary signals into the prompt: entry-based analysis for identifying syntactic anomalies, context comparison through similarity computation between normal and test sequences, and intuitive decision support by presenting the most similar normal sequence.
This allows the LLM to engage in comprehensive reasoning based on diverse statistical and contextual information, rather than relying solely on example matching. Experimental results demonstrate that our method achieves high detection performance across three datasets, improving the average F1-score by 9.93%p.

목차 (Table of Contents)

• 제1장 서 론 1
• 제2장 관련 연구 5
• 1. 프롬프트 기반 로그 이상 탐지 5
• 2. 언어 모델을 위한 Feature Engineering 7
• 제3장 제안 방법 9
• 1. Entry-based Analysis 11
• 2. Sequence-based Analysis 13
• 3. Few-shot Example 19
• 제4장 실험 및 평가 20
• 1. 실험 환경 20
• 2. 실험 결과 23
• 가. 이상 탐지 성능 비교 23
• 나. 규칙 기반 분류와의 비교 25
• 다. Sequence-based Analysis 기준 선정 방식 27
• 라. Few-shot Example 개수에 따른 성능 비교 28
• 3. 절제 연구 (Ablation Study) 30
• 4. 정성평가 32
• 제5장 결론 35
• 부 록 39