Buchumschlag

SDLog: A Deep Learning Framework for Detecting Sensitive Information in Software Logs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Aghili, Roozbeh, Wu, Xingfang, Khomh, Foutse, Li, Heng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

What Information Contributes to Log-based Anomaly Detection? Insights from a Configurable Transformer-Based Approach
von: Wu, Xingfang, et al.
Veröffentlicht: (2024)

Protecting Privacy in Software Logs: What Should Be Anonymized?
von: Aghili, Roozbeh, et al.
Veröffentlicht: (2024)

On the Effectiveness of Log Representation for Log-based Anomaly Detection
von: Wu, Xingfang, et al.
Veröffentlicht: (2023)

Understanding Web Application Workloads and Their Applications: Systematic Literature Review and Characterization
von: Aghili, Roozbeh, et al.
Veröffentlicht: (2024)

RefAgent: A Multi-agent LLM-based Framework for Automatic Software Refactoring
von: Oueslati, Khouloud, et al.
Veröffentlicht: (2025)

Machine Learning Robustness: A Primer
von: Braiek, Houssem Ben, et al.
Veröffentlicht: (2024)

Improving the Robustness of Large Language Models for Code Tasks via Fine-tuning with Perturbed Data
von: Liu, Yang, et al.
Veröffentlicht: (2026)

PathOCL: Path-Based Prompt Augmentation for OCL Generation with GPT-4
von: Abukhalaf, Seif, et al.
Veröffentlicht: (2024)

Imitation Game: Reproducing Deep Learning Bugs Leveraging an Intelligent Agent
von: Shah, Mehil B, et al.
Veröffentlicht: (2025)

LogLSHD: Fast Log Parsing with Locality-Sensitive Hashing and Dynamic Time Warping
von: Huang, Shu-Wei, et al.
Veröffentlicht: (2025)

Refining GPT-3 Embeddings with a Siamese Structure for Technical Post Duplicate Detection
von: Wu, Xingfang, et al.
Veröffentlicht: (2023)

LLMs and Stack Overflow Discussions: Reliability, Impact, and Challenges
von: Da Silva, Leuson, et al.
Veröffentlicht: (2024)

Prism: Dynamic and Flexible Benchmarking of LLMs Code Generation with Monte Carlo Tree Search
von: Majdinasab, Vahid, et al.
Veröffentlicht: (2025)

A Survey of Bugs in AI-Generated Code
von: Gao, Ruofan, et al.
Veröffentlicht: (2025)

ReCatcher: Towards LLMs Regression Testing for Code Generation
von: Abbassi, Altaf Allah, et al.
Veröffentlicht: (2025)

Chain of Targeted Verification Questions to Improve the Reliability of Code Generated by LLMs
von: Ngassom, Sylvain Kouemo, et al.
Veröffentlicht: (2024)

TaskEval: Assessing Difficulty of Code Generation Tasks for Large Language Models
von: Tambon, Florian, et al.
Veröffentlicht: (2024)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

DeepCodeProbe: Towards Understanding What Models Trained on Code Learn
von: Majdinasab, Vahid, et al.
Veröffentlicht: (2024)

Toward Debugging Deep Reinforcement Learning Programs with RLExplorer
von: Bouchoucha, Rached, et al.
Veröffentlicht: (2024)

Logging Requirement for Continuous Auditing of Responsible Machine Learning-based Applications
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2025)

Towards Understanding the Impact of Data Bugs on Deep Learning Models in Software Engineering
von: Shah, Mehil B, et al.
Veröffentlicht: (2024)

Fault Localization in Deep Learning-based Software: A System-level Approach
von: Morovati, Mohammad Mehdi, et al.
Veröffentlicht: (2024)

Characterizing and Classifying Developer Forum Posts with their Intentions
von: Wu, Xingfang, et al.
Veröffentlicht: (2023)

Preprocessing is All You Need: Boosting the Performance of Log Parsers With a General Preprocessing Framework
von: Qin, Qiaolin, et al.
Veröffentlicht: (2024)

Bugs in Large Language Models Generated Code: An Empirical Study
von: Tambon, Florian, et al.
Veröffentlicht: (2024)

Tracing Optimization for Performance Modeling and Regression Detection
von: Shahedi, Kaveh, et al.
Veröffentlicht: (2024)

An Empirical Study on Logging Evolution On Stack Overflow: Trends, Topics, and Challenges
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

Plug it and Play on Logs: A Configuration-Free Statistic-Based Log Parser
von: Qin, Qiaolin, et al.
Veröffentlicht: (2025)

Refactoring with LLMs: Bridging Human Expertise and Machine Understanding
von: Piao, Yonnel Chen Kuang, et al.
Veröffentlicht: (2025)

Mock Deep Testing: Toward Separate Development of Data and Models for Deep Learning
von: Manke, Ruchira, et al.
Veröffentlicht: (2025)

Real Faults in Model Context Protocol (MCP) Software: a Comprehensive Taxonomy
von: Taraghi, Mina, et al.
Veröffentlicht: (2026)

An Empirical Study of Self-Admitted Technical Debt in Machine Learning Software
von: Bhatia, Aaditya, et al.
Veröffentlicht: (2023)

GIST: Generated Inputs Sets Transferability in Deep Learning
von: Tambon, Florian, et al.
Veröffentlicht: (2023)

Adversarial Attack Classification and Robustness Testing for Large Language Models for Code
von: Liu, Yang, et al.
Veröffentlicht: (2025)

LogBabylon: A Unified Framework for Cross-Log File Integration and Analysis
von: Karanjai, Rabimba, et al.
Veröffentlicht: (2024)

Leveraging Data Characteristics for Bug Localization in Deep Learning Programs
von: Manke, Ruchira, et al.
Veröffentlicht: (2024)

From Few-Label to Zero-Label: An Approach for Cross-System Log-Based Anomaly Detection with Meta-Learning
von: Zhao, Xinlong, et al.
Veröffentlicht: (2025)

A Systematic Literature Review on Explainability for Machine/Deep Learning-based Software Engineering Research
von: Cao, Sicong, et al.
Veröffentlicht: (2024)