Автоматический выбор оптимального набора журналов для отчетов об ошибках (Денис Силаков, SECR-2019) — различия между версиями
Материал из 0x1.tv
StasFomin (обсуждение | вклад) |
StasFomin (обсуждение | вклад) |
||
;{{SpeakerInfo}}: {{Speaker|Денис Силаков}} <blockquote> В данной работе рассматривается использование машинного обучения в целях оптимизации отчетов об ошибках и включения в них только тех журналов и файлов, которые реально понадобятся для анализа конкретной ошибки. Выбор файлов осуществляется на основе анализа схожести последовательности функций, приведших к падению, с эталонным набором. Предложенный метод прошел успешную апробацию в продуктах нашей компании и может быть полезен всем разработчикам, сталкивающимся с проблемой чрезмерного количества информации, которую хочется поместить в отчет для ошибки «на всякий случай». Доклад будет интересен как исследователям в области машинного обучения, так и инженерам, занимающихся анализом падений программ и сталкивающихся как с задачей сравнения различных падений, так и с отбором лог-файлов для их анализа. </blockquote> {{VideoSection}} {{vimeoembed|366000289|800|450}} {{youtubelink|}}|Bp5vyNqRueg}} {{letscomment}} {{SlidesSection}} [[File:Автоматический выбор оптимального набора журналов для отчетов об ошибках (Денис Силаков, SECR-2019).pdf|left|page=-|300px]] {{----}} [[File:{{#setmainimage:Автоматический выбор оптимального набора журналов для отчетов об ошибках (Денис Силаков, SECR-2019)!.jpg}}|center|640px]] {{LinksSection}} * [https://2019.secrus.org/program/submitted-presentations/automated-method-for-collecting-optimal-set-of-log-files-for-crash-reports/ Talks page on SECR site] <!-- <blockquote>[©]</blockquote> --> |
Версия 12:46, 16 января 2020
- Докладчик
- Денис Силаков
В данной работе рассматривается использование машинного обучения в целях оптимизации отчетов об ошибках и включения в них только тех журналов и файлов, которые реально понадобятся для анализа конкретной ошибки. Выбор файлов осуществляется на основе анализа схожести последовательности функций, приведших к падению, с эталонным набором. Предложенный метод прошел успешную апробацию в продуктах нашей компании и может быть полезен всем разработчикам, сталкивающимся с проблемой чрезмерного количества информации, которую хочется поместить в отчет для ошибки «на всякий случай». Доклад будет интересен как исследователям в области машинного обучения, так и инженерам, занимающихся анализом падений программ и сталкивающихся как с задачей сравнения различных падений, так и с отбором лог-файлов для их анализа.
Видео
Посмотрели доклад? Понравился? Напишите комментарий! Не согласны? Тем более напишите.
Презентация
Примечания и ссылки
Plays:2 Comments:0