💬 NLP

SCOPE: Tree-based Self-Correcting Online Log Parsing via Syntactic-Semantic Collaboration

يُعد SCOPE طريقة مبتكرة لتحليل السجلات عبر الإنترنت ذاتية التصحيح، تجمع بين بنية شجرية ثنائية الاتجاه وإطار عمل تعاوني تركيبي-دلالي مكون من مرحلتين لتحقيق دقة وكفاءة عاليتين من خلال الاستفيد من نماذج معالجة اللغات الطبيعية خفيفة الوزن للمطابقة الأولية واستدعاء النماذج اللغوية الكبيرة بشكل انتقائي للحالات المعقدة فقط.

المؤلفون الأصليون: Dongyi Fan, Suqiong Zhang, Lili He, Ming Liu, Yifan Huo

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dongyi Fan, Suqiong Zhang, Lili He, Ming Liu, Yifan Huo

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك رئيس مكتبة ضخمة وفوضوية. في كل يوم، تصل ملايين الكتب (رسائل السجلات/Log messages)، لكنها مكتوبة باختصار غريب وغير منظم. بعض الكتب تتحدث عن "بدء تشغيل النظام"، وأخرى عن "تسجيل دخول المستخدم"، وبعضها عن "خطأ 404".

مهمتك هي فرز هذه الملايين من الملاحظات الفوضوية إلى فئات مرتبة (قوالب/Templates) حتى تتمكن من معرفة ما يحدث في المكتبة بسرعة. تسمى هذه العملية تحليل السجلات (Log Parsing).

تقدم الورقة البحثية أمين مكتبة ذكيًا للغاية يُدعى SCOPE. إليك كيف يعمل SCOPE، مشروحًا عبر تشبيهات بسيطة:

المشكلة: أمناء المكتبة القدامى

قبل ظهور SCOPE، كان هناك نوعان من أمناء المكتبة، وكلاهما به عيوب:

المتبع للقواعد (الطرق الاستدلالية/Heuristic Methods): يستخدم هذا الأمين قائمة مراجعة صارمة. "إذا بدأت الملحوظة بكلمة 'Error'، ضعها في سلة الأخطاء".
- المزايا: سريع جدًا.
- العيوب: غبي. إذا قالت الملحوظة "Error: The sky is blue" (خطأ: السماء زرقاء)، فقد يظن "المتبع للقواعد" أنها خطأ في النظام، رغم أنها مجرد تعليق غريب. إنهم يفتقرون إلى فهم المعنى.
العالم العبقري (الطرق القائمة على النماذج اللغوية الكبيرة/LLM-based Methods): هذا أمين مكتبة ذكاء اصطناعي عبقري يقرأ كل ملحوظة ويفهم معناها العميق.
- المزايا: دقيق للغاية.
- العيوب: بطيء ومكلف. طلب قراءة كل ملحوظة من قبل عبقري يستغرق وقتًا طويلاً ويكلف ثروة من "القدرة الذهنية" (نداءات الـ API).

الحل: SCOPE (أمين المكتبة الهجين الذكي)

SCOPE هو الأفضل من العالمين. إنه أمين مكتبة ذاتي التصحيح ويعمل بنظام التدفق المستمر (Online)، ويستخدم "التعاون النحوي-الدلالي" (طريقة معقدة لقول: "لنستخدم قواعد القواعد البسيطة أولاً، ولا نستدعي العبقري إلا إذا تعثرنا").

إليك نظام القوة الثلاثي لـ SCOPE:

1. المرآة ثنائية الاتجاه (شجرة الإعراب ثنائية الاتجاه/Bi-Directional Parse Tree)

تخيل أنك تحاول التعرف على وجه صديق لك وسط حشد.

الطريقة القديمة: تنظر إليه من الأمام فقط. إذا كان يرتدي قبعة تغطي جبهته، فقد لا تتعرف عليه.
طريقة SCOPE: لديه مرآة ثنائية الاتجاه. ينظر إلى رسالة السجل من الأمام (من اليسار إلى اليمين) وَ من الخلف (من اليمين إلى اليسار) في آن واحد.
لماذا يساعد هذا: أحيانًا تكون الأدلة المهمة في نهاية الجملة. من خلال النظر في كلا الاتجاهين، يلتقط SCOPE الأنماط التي تفوتها المكتبات الأخرى. إذا كانت الرؤية الأمامية ضبابية، فقد تكون الرؤية الخلفية واضحة تمامًا.

2. "الفحص السريع" مقابل "الغوص العميق" (التعاون النحوي-الدلالي)

هذه هي الحيلة الأكثر ذكاءً لـ SCOPE. فهو لا يطلب من العالم العبقري قراءة كل شيء.

الخطوة أ: شرطة القواعد (التحليل النحوي/Syntactic Analysis):
أولاً، يستخدم SCOHE أداة خفيفة (مثل مدقق إملائي) للنظر في بنية الجملة.
- التشبيه: يسأل، "هل هذه الكلمة فعل؟ هل تلك الكلمة رقم؟"
- مثال: إذا قالت الملحوظة "User logged in" (المستخدم سجل دخوله)، يرى "شرطي القواعد" أن "logged in" هو فعل. هو يعلم أن الأفعال عادة ما تكون أجزاء ثابتة في الجملة. يمكنه فرز هذا فورًا دون الحاجة للعبقري.
- النتيجة: 90% من العمل يتم إنجازه فورًا وبتكلفة زهيدة.
الخطوة ب: الملجأ للعبقري (التحليل الدلالي/Semantic Analysis):
ماذا لو ارتبك "شرطي القواعد"؟ ربما تبدو ملاحظتان متشابهتين ولكن معناهما مختلف (مثل: "The bank is open" - البنك مفتوح، و "The river bank is open" - ضفة النهر مفتوحة).
- التشبيه: عندها فقط يستيقظ العالم العبقري (LLM). يسأله SCOPE: "مهلًا، هل هاتان الجملتان تعنيان حقًا نفس الشيء؟"
- النتيجة: يعمل العبقري فقط على الحالات الصعبة والمربكة. هذا يوفر 80-90% من الوقت والمال.

3. آلية "التصحيح الذاتي"

SCOPE لا يخشى ارتكاب الأخطاء.

إذا قام بفرز ملحوظة في السلة الخطأ، فإنه لا يصاب بالذعر. لديه مجمع الأولويات (قائمة انتظار لجميع الفئات).
إذا أدرك أن ملحوحة ما لا تناسبه تمامًا، فإنه يراجع القائمة مرة أخرى. إذا وجد تطابقًا أفضل، فإنه يصحح نفسه: ينقل الملحوظة إلى السلة الصحيحة ويحدث ذاكرته الخاصة حتى لا يرتكب هذا الخطأ مرة أخرى. إنه مثل أمين مكتبة يقول: "عذرًا، لقد وضعت هذا الكتاب في قسم الخيال، لكنه في الواقع كتاب تاريخ. دعني أصلح ذلك وأحدث فهرسي".

لماذا يعد SCOPE أمرًا هامًا؟

السرعة: إنه سريع مثل "المتبعين للقواعد" القدامى لأنه ينجز الأشياء السهلة فورًا.
الدقة: إنه ذكي مثل "العلماء العباقرة" لأنه يستخدم العبقري للأمور الصعبة.
التكلفة: إنه يوفر الكثير من المال لأنه نادرًا ما يضطر لدفع ثمن استدعاء العالم العبقري للقيام بالعمل.

باختصار: SCOPE يشبه المساعد الذكي الذي يتولى الأعمال الورقية المملة والمتكررة بنفسه (باستخدام قواعد القواعد) ولكنه يعرف بالضبط متى يستدعي رئيسه (الذكاء الاصطناعي) لاتخاذ القرارات الصعبة. هذا يجعل المكتبة بأكملها تعمل بشكل أسرع، وأرخص، وبأخطاء أقل.

إليك ملخص تقني مفصل لورقة البحث بعنوان "SCOPE: تحليل السجلات عبر الإنترنت القائم على الأشجار والتصحيح الذاتي من خلال التعاون النحوي-الدلالي".

1. بيان المشكلة

يعد تحليل السجلات (Log parsing) الخطوة التأسيسية في التحليل الآلي للسجلات، حيث يتم تحويل رسائل السجلات الخام إلى قوالب مهيكلة مع استخراج المتغيرات. تواجه الأساليب الحالية مقايضة بين الكفاءة والدقة:

الطرق الاستدلالية/التقليدية (مثل Drain، Brain): عالية الكفاءة ومناسبة للمعالجة عبر الإنترنت ولكنها تفتقر إلى الفهم الدلالي. فهي تعتمد على قواعد صارمة أو أنماط هيكلية، مما يؤدي إلى دقة ضعيفة في تنسيقات السجلات المتنوعة أو المعقدة وتتطلب ضبطاً يدوياً.
الطرق القائمة على النماذج اللغوية الكبيرة (LLM-based): توفر فهماً دلالياً ودقة فائقة ولكنها تعاني من زمن انتقال عالٍ وتكاليف مالية بسبب الاستدعاءات المتكررة لواجهة برمجة التطبيقات (API). وغالباً ما تستدعي هذه النماذج للنماذج اللغوية الكبيرة لكل رسالة سجل أو عنقود، مما يخلق اختناقات في الأنظمة التي تعمل بالوقت الفعلي.
الفجوة: هناك نقص في وجود إطار عمل موحد يدمج بفعالية سرعة الطرق الاستدلالية مع القوة الدلالية للنماذج اللغوية الكبيرة مع تقليل استخدام هذه النماذج إلى أدنى حد.

2. المنهجية: إطار عمل SCOPE

إن SCOP (Tree-based Self-Correcting Online Log Parsing via Syntactic-Semantic Collaboration) هو محلل سجلات عبر الإنترنت غير خاضع للإشراف، مصمم لموازنة الكفاءة والدقة من خلال بنية هرمية ذات مرحلتين.

المكونات الأساسية

شجرة التحليل ثنائية الاتجاه (BDPT):
- المفهوم: على عكس الأشجار التقليدية التي تطابق السجلات من البداية فقط، تقوم BDPT بالتنقل في السجلات في الاتجاهين الأمامي والعكسي.
- الهيكل: تستخدم تصميماً ديناميكياً للعمق حيث يتم بناء الفروع من أول $M$ من الرموز (tokens) وآخر $M$ من الرموز (حيث يتم اشتقاق $M$ من إجمالي عدد الرموز).
- الفائدة: يلتقط هذا الأنماط الهيكلية بغض النظر عما إذا كانت المتغيرات تظهر في بداية أو منتصف أو نهاية السجل، مما يزيد بشكل كبير من معدل نجاح المطابقة الأولي.
- التصحيح الذاتي: إذا طابق السجل فرعاً ما ولكنه فشل في المحاذاة تماماً، يمكن للنظام تحديث القالب وتحديد الفروع غير الصحيحة كفروع مهملة، مما يسمح للشجرة بالتطور.
مجمع مطابقة القوالب القائم على الأولوية (PTMP):
- الوظيفة: يعمل كبديل عالمي (fallback) عندما تفشل BDPT في العثور على مطابقة (على سبيل المثال، عندما تظهر المتغيرات في وقت واحد في كل من النصف الأول والثاني من السجل).
- الاستراتيجية: يبحث في مجمع القوالب بأكمله باستخدام آلية فرز حسب الأولوية. يتم فحص القوالب الأقل استقراراً (التي لديها عمليات مطابقة أقل أو لم يتم تحديثها أبداً) أولاً. يضمن ذلك منح الأولوية للأنماط غير المؤكدة أو الجديدة على الأنماط الراسخة، مما يحسن اكتشاف القوالب الجديدة.
مستخرج القوالب القائم على معالجة اللغات الطبيعية (NLPE):
- الدور: وحدة تعاونية من مرحلتين يتم استدعاؤها أثناء عملية المطابقة في BDPT وPTMP للتمييز بين الثوابت والمتغيرات.
- المرحلة الأولى (التحليل النحوي): تستخدم نموذج معالجة لغات طبيعية خفيف الوزن (مثل spaCy) لتحديد وسم أجزاء الكلام (POS tagging). وهي تحدد الثوابت الثابتة (الأفعال، علامات الترقيم، حروف العطف) بناءً على قواعد لغوية. إذا أشارت وسوم POS إلى عدم تطابق في الثوابت، يتم تصنيف السجلات فوراً كقوالب مختلفة دون استدعاء نموذج لغوي كبير.
- المرحلة الثانية (التحليل الدلالي): يتم استدعاؤها فقط إذا كانت المرحلة الأولى غير حاسمة (على سبيل المثال، إذا كانت الرموز لها نفس وسم POS ولكن دلالاتها غامضة). وهي تستخدم نموذجاً لغوياً كبيراً مع استراتيجية سلسلة الأفكام (CoT) لتحليل السياق الدلالي.
- هندسة الأوامر (Prompt Engineering): يتم توجيه النموذج اللغوي الكبير عبر قواعد محددة (الجدول 1 في الورقة) لمعاملة المصطلحات الخاصة بالمجال كثوابت، ومعاملة الرموز المجردة الشبيهة بالبيانات كمتغيرات. تجبر استراتيجية CoT النموذج على استخراج القوالب بشكل مستقل قبل مقارنتها، مما يقلل من الانحياز.

3. المساهمات الرئيسية

إطار عمل موحد: يعد SCOPE أول طريقة تدمج بسلاسة بين كفاءة الاستدلال التقليدي ودقة النماذج اللغوية الكبيرة الدلالية في بيئة عبر الإنترنت.
شجرة التحليل ثنائية الاتجاه (BDPT): تقدم بنية شجرية مبتكرة ذات عمق ديناميكي تطابق السجلات في الاتجاهين الأمامي والعكسي، مما يعزز معدلات التقاط القوالب ويسمح بالتصحيح الذاتي لفروع الشجرة.
التعاون النحوي-الدلالي: تقترح آلية استخراج من مرحلتين تستخدم وسم أجزاء الكلام (POS) الخفيف لتصفية معظم الحالات، مع حجز استدعاءات النماذج اللغوية الكبيرة المكلفة فقط للحالات المعقدة دلالياً أو الغامضة.
المصدر المفتوح: أصدر المؤلفون الكود والمجموعات البيانية لتسهيل قابلية إعادة الإنتاج.

4. النتائج التجريبية

قام المؤلفون بتقييم SCOPE على 14 مجموعة بيانات واسعة النطاق من Loghub-2.0، ومقارنتها مع أفضل الطرق الاستدلالية (Drain, Brain) وأفضل أدوات تحليل السجلات القائمة على النماذج اللغوية الكبيرة (LILAC, LogBatcher, LUNAR).

الدقة:
- حقق SCOPE أعلى متوسط درجات عبر جميع المقاييس: دقة المجموعة (GA) 96.8%، دقة التحليل (PA) 90.4%، FGA 93.5%، و FTA 83.4%.
- تفوق على الطرق الاستدلالية التقليدية (Drain/Brain) بفوارق كبيرة (على سبيل المثال، +16.1% في GA، و +94.8% في FGA).
- تجاوز النماذج المرجعية القائمة على النماذج اللغوية الكبيرة بمتوسط 3.8% إلى 13.5% في المقاييس الرئيسية، مما يثبت أن النهج الهجين أكثر فعالية من النهج القائم كلياً على النماذج اللغوية الكبيرة.
الكفاءة:
- السرعة: عالج SCOPE حوالي 3.6 مليون سجل في 483 ثانية، وهو أسرع من أكثر النماذج الاستدلالية كفاءة (Drain عند 497.6 ثانية).
- استخدام النماذج اللغوية الكبيرة: قلل SCOPE من استدعاءات واجهة برمجة التطبيقات (API) للنماذج اللغوية الكبيرة بنحو 6 أضعاف (حوالي 15% فقط من الاستدعاءات التي تتطلبها الطرق الأخرى القائمة على النماذج اللغوية الكبيرة) من خلال الاعتماد على BDPT والتصفية القائمة على POS لغالبية السجلات.
- التكلفة: رغم استخدام هندسة الأوامر (CoT) (التي تزيد قليلاً من عدد الرموز)، إلا أن الانخفاض الحاد في وتيرة الاستدعاء أدى إلى تكلفة إجمالية تنافسية، وهي أقل بكثير من الطرق التي تتطلب استدعاءات متكررة للنماذج اللغوية الكبيرة.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة NLPE إلى انخفاض هائل في الدقة (GA -15.8%)، مما يثبت ضرورة التعاون النحوي-الدلالي.
- أدت إزالة PTMP إلى تقليل الدقة بنسبة 2.5%، مما يسلط الض الضوء على دوره في التعامل مع الحالات المعقدة.
- ساهمت الشجرة العكسية في BDPT بنسبة 23% من مطابقات القوالب الفريدة، مما يؤكد صحة التصميم ثنائي الاتجاه.

5. الأهمية

يمثل SCOPE تقدماً كبيراً في التحليل الآلي للسجلات من خلال حل معضلة "الكفاءة مقابل الدقة".

النشر العملي: قدرته على العمل عبر الإنترنت بسرعة عالية تجعله مناسباً للمراقبة في الوقت الفعلي في الأنظمة المعقدة (مثل البنية التحتية السحابية أو الحوسبة الفائقة).
فعالية التكلفة: من خلال تقليل الاعتماد على النماذج اللغوية الكبيرة، فإنه يجعل تحليل السجلات عالي الدقة ممكناً اقتصادياً للتطبيقات الصناعية واسعة النطاق.
القوة والمتانة: يتميز إطار العمل بالمتانة عبر مختلف أحجام النماذج اللغوية الكبيرة (من 8 مليار إلى 235 مليار معلمة) واستراتيجيات الأوامر، مما يضمن القدرة على التكيف في البيئات محدودة الموارد.

في الختام، يضع SCOPE معياراً جديداً (SOTA) لتحليل السجلات، مثبتاً أن البنية الهجينة المصممة بعناية يمكن أن تتفوق على كل من النهج الاستدلالي الصرف والنهج القائم كلياً على النماذج اللغوية الكبيرة.