Towards Understanding LLM-Based Log Anomaly Detection: An Empirical Study of Performance, Efficiency, and Robustness
该论文针对基于大语言模型（LLM）的日志异常检测展开系统性实证研究。背景是：尽管 LLM 在日志异常检测任务上已展现出可观效果，但从业者并不清楚「适配策略、模型架构、参数规模、量化与部署配置」这些工程变量究竟如何影响最终检测效果，现有工作往
#aiops
共收录 3 条相关情报。
← 返回所有主题TriFleetRCA: On-Premise LLM Root Cause Analysis for Kubernetes
论文针对远程站点/边缘环境的 Kubernetes 根因分析（RCA）痛点展开研究。当前运维场景中，故障证据分散在 Pod 日志、Kubernetes 事件与集群级对象里，跨源关联耗时且依赖人工经验；同时许多企业出于合规与数据主权要求，无法
TriCalRAG: A Three-Strategy, Retrieval-Augmented Benchmark for On-Premise LLM-Based Root Cause Analysis in AIOps
该论文面向 AIOps 场景中的根因分析（RCA）任务，指出现有做法多依赖云端托管的大语言模型，虽然能力较强，但会带来数据隐私外泄风险、网络往返延迟以及随生产日志规模线性增长的按查询计费成本，难以在日志量极大的生产环境中长期支撑。为此作者提