大模型在日志运维场景的应用实践(2023).pdfVIP

分享主题

大模型在日志运维场景的

应用实践

目录Contents

01.02.03.

大模型在日志场景的应用方向实践运用大模型的路径大模型在金融企业应用案例

更快捷的分析海量日志构建高质量的训练数据背景：某金融企业大量业务日志

更智能的解读和预测故障模型的评估和迭代优化难点：关键字复杂多变

理想vs现实：估算资源产品设计“扬长避短”方案：实现知识库增强的自然语言查询

效果：故障排查时间缩短40%

大模型在日志场景的应用方向

Ø更快捷的分析海量日志01

Ø更智能的解读和预测故障

Ø理想vs现实：估算资源

谷歌Sec-PaLM的日志概要效果

日志问答方案(1)：超大窗口

问题1：窗口不会无限大，日志却无限多。

问题2：对于长文本中部的内容，LLM不太敏感。

日志问答方案(2)：AgentChain

问题1：运维知识理解的要求较高

问题2：agent/functioncall能力要求较高

日志问答方案(3)：模式提问+分段选择

资源消耗估算

场景看起来很美好，但实际部署时存在一定成本压力。

我们进行了一些简单的资源估算:

•1000条SSH日志大概包含5-6万个tokens。对于这个长度，LLM推理速度较慢，需要10多秒。

•使用最新的Yi-6b-200k模型测试，24GB显存仅能处理约3ktokens，相当于50行日志。

•按ChatGLM规模预估,80G显存的单卡最多只能处理200行SSH日志。

•并行计算时，8块80G卡也只能同时处理约1600行。

结论:

•直接进行日志问答，在理论上可行，但算力需求巨大。

•该方案实际成本过高，目前的硬件条件难以支撑实际应用。

•生成和调用现有分析工具相对更现实。

实践运用大模型的路径

Ø构建高质量的训练数据02

Ø模型的评估和迭代优化

Ø产品设计“扬长避短”

Text2SPL场景介绍/背景

•TexttoSQL任务是NLP领域的经典课题之一。常见的数•SPL对比SQL的差异：没有预知的tableschema。要自行

据集有：判断prompt里哪些名词疑似字段名。

•WikiSQL，维基百科数据集主要是单表查询，语句比较•无法直接套用ChatGPT，SPL目前只是概念通用，语法层

简单。无标准：

•Spider，数据集包含join等多表和嵌套，语句比较复•日志易SPL语法和splunk/kusto/esql/ppl/humio有

杂。在seq2seq之前，模板技术一般评分20+；差别。

bert/T5之前，一般评分60+；ChatGPT将评分提升