Para peneliti menyajikan SpikeLogBERT, sebuah kerangka jaringan saraf spiking yang dirancang untuk parsing log hemat energi yang mengubah log sistem mentah menjadi template acara terstruktur.
- Model ini mengintegrasikan arsitektur transformer spiking dengan distilasi pengetahuan dari model guru BERT untuk mempertahankan kemampuan representasi semantik.
- Model ini memanfaatkan aktivasi spiking yang jarang dan pemrosesan berbasis acara untuk secara signifikan mengurangi jumlah operasi aktif selama inferensi.
- Eksperimen pada dataset HDFS menunjukkan SpikeLogBERT mencapai akurasi parsing sebesar 0,99997, melampaui model parsing log neural berbasis ANN.
- Pendekatan ini mengurangi konsumsi energi teoritis yang diperkirakan hingga 62,6% di bawah asumsi CMOS standar 45nm.
Kerangka kerja ini menawarkan metode analisis log otomatis yang mempertahankan akurasi tinggi sambil secara substansial menurunkan biaya komputasi dan konsumsi energi yang terkait dengan perkalian matriks padat.