ІНТЕЛЕКТУАЛЬНИЙ АНАЛІЗ СИСТЕМНИХ ЛОГІВ ІЗ ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ ДЛЯ ВИЯВЛЕННЯ АНОМАЛІЙ ТА НОВИХ ЗАКОНОМІРНОСТЕЙ

Олексій Мельник

doi:10.28925/2663-4023.2026.34.1307

Автор(и)

Олексій Мельник Інститут проблем математичних машин та систем Національної академії наук України https://orcid.org/0009-0003-4800-6014

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1307

Ключові слова:

великі мовні моделі; системні логи; аномалії; кібербезпека; витік даних; мікросервіси; BERT; GPT; машинне навчання; інтелектуальний аналіз.

Анотація

У роботі порушено питання практичного впровадження великих мовних моделей (Large Language Models, LLM) як інструменту глибинного опрацювання системних журналів із позицій забезпечення кіберстійкості та стабільного функціонування програмних продуктів. Обґрунтовано нагальність проблеми лавиноподібного нарощування масивів журнальних записів у інфраструктурах мікросервісного типу, де людський контроль за потоком логів втрачає будь-яку реалістичність і поступається місцем машинним засобам. Проведено зіставлення результативності архітектур BERT, GPT і LLaMA у площині розпізнавання нештатних подій, пошуку слідів витоку конфіденційних відомостей (PII, API-ключів, токенів автентифікації), фіксації ознак зловмисної активності та ідентифікації збоїв, спричинених черговим оновленням мікросервісних компонентів. Сформовано математичний інструментарій оцінювання якості детектування нештатних станів, що охоплює авторську ентропійну міру та Z-критерій для фіксації статистично значущих зрушень у структурі лог-потоку. Подано емпіричні дані, отримані на еталонних наборах HDFS, BGL, Thunderbird і промислових журналах, котрі засвідчують перевагу комбінованих LLM-стратегій порівняно з традиційним інструментарієм. Виокремлено сильні та слабкі сторони кожного класу мовних моделей стосовно різних аналітичних завдань і надано настанови щодо проєктування продуктивного конвеєра лог-аналітики на базі LLM, здатного фіксувати і вже відомі, і принципово нові патерни й загрози. Одержані висновки становлять безпосередній інтерес для спеціалістів кібербезпекового профілю, DevOps-команд та інженерів, що проєктують або супроводжують моніторингові платформи. Окремо висвітлено ризик мимовільного проникнення секретних даних у лог-файли – йдеться про паролі, API-ключі, автентифікаційні токени й персональні ідентифікатори користувачів. Оцінено спроможність різних LLM-архітектур щодо ідентифікації багатоетапних, темпорально розосереджених кіберінцидентів на кшталт lateral movement чи C2-каналів, розпізнавання яких лежить за межами можливостей звичних SIEM-платформ із правиловою логікою. Запропоновано практичні рекомендації щодо вибору оптимальної LLM-архітектури залежно від конкретної задачі аналізу логів та наявних обчислювальних ресурсів організації.

Завантаження

Дані завантаження ще не доступні.

Посилання

Klishch, M., Lypak, H., Kunanets, N., Pasichnyk, S., & Lypak, T. (2025). Structure of information system for predicting and interpreting user service state changes. Visnyk of Lviv Polytechnic National University. Information Systems and Networks, 17, 226–238. https://doi.org/10.23939/sisn2025.17.226

Lypak, H., Lypak, T., & Kunanets, N. (2024). Designing an information system based on machine learning for preservation and classification of documentary heritage artifacts. Visnyk of Khmelnytskyi National University. Technical Sciences, 339(4), 176–182. https://doi.org/10.31891/2307-5732-2024-339-4-29

Shovak, M. I. (2023). Taxonomy of anomalies in the context of cyber defense and information protection. In XXI All-Ukrainian Scientific and Practical Conference of Students, Postgraduates and Young Scientists "Theoretical and Applied Problems of Physics, Mathematics and Informatics" (pp. 338–342). Igor Sikorsky KPI. https://ela.kpi.ua/handle/123456789/62588

Chen, S., & Liao, H. (2022). BERT-Log: Anomaly detection for system logs based on pre-trained language model. Applied Artificial Intelligence, 36(1), Article 2145642. https://doi.org/10.1080/08839514.2022.2145642

Guan, W., Cao, J., Qian, S., Gao, J., & Ouyang, C. (2024). LogLLM: Log-based anomaly detection using large language models. arXiv preprint arXiv:2411.08561. https://arxiv.org/abs/2411.08561

Guo, H., Yuan, S., & Wu, X. (2021). LogBERT: Log anomaly detection via BERT. In 2021 International Joint Conference on Neural Networks (IJCNN) (pp. 1–8). IEEE. https://arxiv.org/abs/2103.04475

Hadadi, F., Xu, Q., Bianculli, D., & Briand, L. (2024). Anomaly detection on unstable logs with GPT models. arXiv preprint arXiv:2406.07467. https://arxiv.org/abs/2406.07467

Han, X., Yuan, S., & Trabelsi, M. (2023). LogGPT: Log anomaly detection via GPT. In 2023 IEEE International Conference on Big Data (BigData) (pp. 1117–1122). IEEE. https://arxiv.org/abs/2309.14482

Lee, Y., Kim, J., & Kang, P. (2023). LAnoBERT: System log anomaly detection based on BERT masked language model. Applied Soft Computing, 146, Article 110689. https://doi.org/10.1016/j.asoc.2023.110689

Li, A., Zhao, Y., Qiu, C., Kloft, M., Smyth, P., Rudolph, M., & Mandt, S. (2024). Anomaly detection of tabular data using large language models. arXiv preprint arXiv:2406.16308. https://arxiv.org/abs/2406.16308

Lin, Y., Deng, H., & Li, X. (2024). FastLogAD: Log anomaly detection with mask-guided pseudo anomaly generation and discrimination. arXiv preprint arXiv:2404.08750. https://arxiv.org/abs/2404.08750

Liu, C., He, S., Zhou, Q., Li, S., & Meng, W. (2024). Large language model guided knowledge distillation for time series anomaly detection. arXiv preprint arXiv:2401.15123. https://arxiv.org/abs/2401.15123

Liu, Y., Tao, S., Meng, W., Wang, J., Ma, W., Zhao, Y., Chen, Y., Yang, H., Jiang, Y., & Chen, X. (2024). Interpretable online log analysis using large language models with prompt strategies (LogPrompt). In Proceedings of the 32nd IEEE/ACM International Conference on Program Comprehension (ICPC) (pp. 35–46). https://arxiv.org/abs/2308.07610

Liu, Y., Ji, Y., Tao, S., He, M., Meng, W., Zhang, S., Sun, Y., Xie, Y., Chen, B., & Yang, H. (2024). LogLM: From task-based to instruction-based automated log analysis. arXiv preprint arXiv:2410.09352. https://arxiv.org/abs/2410.09352

Qi, J., Huang, S., Luan, Z., Yang, S., Fung, C., Yang, H., Qian, D., Shang, J., Xiao, Z., & Wu, Z. (2023). LogGPT: Exploring ChatGPT for log-based anomaly detection. In 2023 IEEE Int. Conf. on HPCC/DSS/SmartCity/DependSys (pp. 273–280). IEEE. https://arxiv.org/abs/2309.01189

Xu, R., & Ding, K. (2024). Large language models for anomaly and out-of-distribution detection: A survey. arXiv preprint arXiv:2409.01980. https://arxiv.org/abs/2409.01980