CrashEventLLM: Predicting System Crashes with Large Language Models

随着计算机系统在个人、工业和大规模应用中的依赖程度不断扩大，需要增强它们的可靠性，以保持业务操作的无缝性并确保用户满意度。这些设备生成的系统日志是有价值的历史趋势和过去故障的存储库。使用机器学习技术进行故障预测已经成为常见做法，使得可以从过去的数据中提取洞察力以预测未来的行为模式。最近，大型语言模型在摘要、推理和事件预测等任务中展示了卓越的能力。因此，本文旨在探究大型语言模型在预测系统故障方面的潜力，利用从过去故障行为中学习到的洞察力有效地支持推理和决策过程。我们的方法是利用英特尔计算改进计划（ICIP）系统崩溃日志中的数据来识别重要事件并开发CrashEventLLM模型。该模型基于大型语言模型框架构建，是我们进行崩溃事件预测的基础。具体而言，我们的模型利用历史数据来预测未来的崩溃事件，并得到专家注释的信息。此外，它不仅仅是预测，还提供了每个崩溃事件的潜在原因的洞察力。这项工作为基于日志的事件预测任务提供了基于提示的大型语言模型的初步洞察力。

论文试图通过利用大型语言模型来预测系统故障，以提高系统的可靠性和用户满意度。该问题在当前研究领域中并非全新，但是该论文的方法是基于大型语言模型的，具有一定的创新性。

该论文的关键思路是使用基于大型语言模型的CrashEventLLM模型来预测系统故障事件，并提供潜在的故障原因。该模型使用历史数据进行训练，并借助专家注释来提高预测准确性。

论文使用了Intel Computing Improvement Program (ICIP)系统崩溃日志数据集，并提供了CrashEventLLM模型的详细实现过程。该模型不仅可以预测故障事件，还可以提供潜在的故障原因，从而帮助用户更好地理解故障。此外，该论文还探索了大型语言模型在日志事件预测任务中的潜力。

在相关研究方面，最近的一些研究探索了使用机器学习技术进行故障预测的方法，但是使用大型语言模型的研究相对较少。例如，一篇名为“Using Machine Learning to Predict Failures in Hard Drives”的论文使用机器学习方法来预测硬盘故障。