文章总结与翻译一、主要内容本文针对现有日志模板提取方法“被动响应式”和“日志中心主义”的局限性，提出了一种主动式、统一化的日志模板解析框架LLM-SrcLog。该框架核心是在系统部署前通过静态代码分析提取日志模板，同时结合数据驱动方法处理无源代码的“黑盒日志”，实现白盒解析与黑盒解析的融合。核心模块静态代码分析器（SCA）：跨文件、跨函数追踪数据流，重构日志生成的完整上下文，解决动态字符串拼接、异常嵌入等日志的模板提取难题。LLM驱动的白盒模板提取器（WTE）：基于静态分析结果构建丰富提示词，利用LLM区分日志中的常量与变量，通过后处理模块过滤无效模板、保证一致性。黑盒模板提取器（BTE）：采用无监督聚类算法（Drain3）处理第三方库、动态加载组件等无源代码的日志，确保模板覆盖完整性。实验与效果在Hadoop、Zookeeper公开数据集和阿里Sunfire-Compute工业数据集上，相比DivLog、LLMLog等LLM基线方法，F1分数平均提升2%-35%。在线解析延迟与传统数据驱动方法（如Drain）相当，比逐日志LLM推理快约1000倍，实现精度与效率的平衡。在阿里真实生产环境中部署验证，成功支持故障根因分析（如定位网络重传导致的TAIR服务访问错误）。
