Исследователи представляют SpikeLogBERT, фреймворк спайковых нейронных сетей, разработанный для энергоэффективного парсинга логов, который преобразует сырые системные логи в структурированные шаблоны событий.

  • Модель интегрирует архитектуру спайкового трансформера с дистилляцией знаний от модели-учителя BERT для сохранения способности к семантическому представлению.
  • Она использует разреженные спайковые активации и событийно-управляемую обработку для значительного снижения количества активных операций во время вывода.
  • Эксперименты на наборе данных HDFS показывают, что SpikeLogBERT достигает точности парсинга 0.99997, превосходя модели нейронного парсинга логов на основе ANN.
  • Подход снижает расчетное теоретическое энергопотребление до 62.6% при стандартных предположениях о КМОП-технологии 45 нм.

Этот фреймворк предлагает метод автоматизированного анализа логов, который сохраняет высокую точность, существенно снижая вычислительные затраты и энергопотребление, связанные с плотными матричными умножениями.