TAILOR 以模板一致的方式擴增稀有日誌群組，提升長尾日誌解析

系統日誌呈現長尾分布：少數模板持續出現，而許多在維運上重要的模板卻只出現寥寥數次。一項針對廣泛使用的 Loghub-2.0 基準所做的實證研究發現，稀有日誌群組（實例少於五個）占所有模板近 20%，卻只占日誌訊息不到 0.01%。

由於高頻模板主導了基準指標，評估結果看起來樂觀，而對稀有事件的糟糕表現則被掩蓋；所有受評估的解析器在這些稀有群組上都明顯退化。

TAILOR 的作法是在進行模板推論之前，以與模板一致的日誌訊息擴充稀有日誌群組。新增的結構性證據有助於區分靜態詞元與動態變數，使稀有群組的解析準確率較最強基線提升 19%，同時在完整資料集上維持具競爭力的表現，並且能推廣到不同的 LLM 主幹，而無須修改其核心架構。

在解析之前，以與模板一致的合成訊息擴充稀有的長尾

稀有日誌群組無法靠蒐集更多資料來解決——它們在生產環境中依定義就是稀有的。

合成與模板一致的訊息，可補上區分靜態詞元與動態變數所需的結構性變化。

擴充位於解析器之外，因此任何以 LLM 為基礎的解析器都能受益，而無須更動架構。

基準平均值掩蓋了失敗：只有針對稀有群組的細分才揭露了這一點。

當長尾本質上就稀有時，無法靠蒐集資料擺脫困境：合成能保留待推論結構的範例，既有模型便能無須重新訓練而獲得改善。

該論文報告，稀有日誌群組的解析準確率較最強基線提升 19%，在完整資料集上具競爭力，並且在不同的 LLM 主幹上皆有一致的改善，而無須修改其核心架構。