بهبود نحوه تجزیه و تحلیل داده های حجیم مربوط به فایل لاگ با استفاده از مدل زبان بزرگ LLG

هر روز، سازمان ها حجم قابل توجهی از فایل های رخداد (لاگ) تولید می کنند که برای بررسی شرایط، اشکال زدایی و رفع ناهنجاری ها نیاز به پردازش دارند. برون سپاری چنین فرایندی به دلیل نیاز به پردازش بلادرنگ و نگهداری امنیتی مناسب نیست. با توجه به انبوه نرم افزارها و سرویس های مختلف، سازمان ها با حجم قابل توجهی از گزارش ها و رخدادهای تولیدی مواجه هستند که به جای حذف یا نادیده گرفته شدن، باید پردازش شوند. در روش سنتی، کارشناسان روزانه به صورت دستی پرونده های رخداد را بررسی می کنند که این امر از یک سو باعث کندی فرآیند، افزایش زمان و عدم دقت و از سوی دیگر به دلیل نیاز به نیروی متخصص، هزینه های بالای استخدام را در پی دارد. این مقاله راه حلی را معرفی می کند که از شبکه های عصبی مولد برای ایجاد یک ساختار محلی برای تجزیه و تحلیل گزارش در سازمان استفاده می شود. این فرآیند شامل بازیابی و تجزیه فایل های متنی از بخش های مختلف، تقسیم آن ها به بخش های قابل مدیریت، جاسازی و ذخیره آن ها در یک پایگاه داده برداری است. در این ساختار، یک فرد آموزش دیده بدون تخصص خاص می تواند به سرعت به اطلاعات لازم با استفاده از اعلان های مناسب (پرامپت نویسی) از یک مدل زبان بزرگ که به صورت محلی در سازمان توسعه یافته و در هر زمان قابل دسترسی است، استفاده کند. ازهمین روی، روش پیشنهادی می تواند باعث پایداری امنیت، افزایش سرعت تجزیه و تحلیل و کاهش هزینه های منابع انسانی شود.

کلیدواژه ها:

شبکه عصبی ، هوش مصنوعی مولد ، مدل زبان بزرگ ، فایل لاگ