লগ ফাইল বিশ্লেষণের জন্য এআই ডিজাইন করুন


12

আমি পরিচিত সরঞ্জামগুলির ত্রুটিগুলি খুঁজে পেতে এবং ব্যর্থতার নতুন নিদর্শনগুলি খুঁজে পেতে একটি এআই সরঞ্জাম বিকাশ করছি। এই লগ ফাইলটি সময় ভিত্তিক এবং জ্ঞাত বার্তাগুলি (তথ্য এবং ত্রুটি) রয়েছে Iআমি একটি জাভাস্ক্রিপ্ট লাইব্রেরি ব্যবহার করছি ইভেন্টটি নরম উপায়ে দেখানোর জন্য ইভেন্ট ড্রপ করে দিচ্ছে, তবে আমার আসল কাজ এবং সন্দেহগুলি কীভাবে এআইকে প্রশিক্ষণ দেবে তা জানা যায় নিদর্শন এবং নতুন সম্ভাব্য নিদর্শন সন্ধান করুন। আমার কিছু প্রয়োজনীয়তা রয়েছে:

1 - সরঞ্জাম হয় হয় একটি। অতিরিক্ত পরিবেশ ইনস্টলেশন বা খয়ের কোনও নির্ভরতা নেই খ। কম তত ভাল (নিখুঁত দৃশ্যটি সম্পূর্ণরূপে ব্রাউজারে স্ট্যান্ডেলোন মোডে সরঞ্জামটি চালানো);

2 - প্যাটার্ন বিশ্লেষককে টুকরো টুকরো টুকরো টুকরো করা, এক ধরণের মড্যুলারিটি, ত্রুটি অনুযায়ী একটি মডিউল;

এটি করার জন্য প্রস্তাবিত ধরণের অ্যালগরিদম কী কী (নিউরাল নেটওয়ার্ক, জেনেটিক অ্যালগরিদম ইত্যাদি)? জাভাস্ক্রিপ্ট ব্যবহার করে কাজ করার কিছু রয়েছে? না হলে এআই তৈরির জন্য সেরা ভাষা কোনটি?


1
আমি সন্দেহ করি যে নিয়ম-ভিত্তিক কিছু মেশিন-লার্নিংয়ের থেকে এর জন্য আরও উপযুক্ত হবে
অ্যান্টলসরফট

@ অ্যানলারসওফট জানা সমস্যাগুলির জন্য আমি সম্মত, তবে আমি ত্রুটিগুলির সাথেও সম্পর্ক স্থাপন করতে প্যাটার্নগুলি অনুসন্ধান করতে চাই।
জুলিয়ানো অলিভিরা 15

প্রস্তাবিত? ভাবুন ... রিজ এক্সপ ব্যবহার করছেন? ধ্রুপদী অ্যালগোরিদম ব্যবহার করে কোন সমাধান নেই এমন সমস্যার জন্য নিউরাল নেটওয়ার্কগুলি প্রস্তাবিত। প্রায় সমস্ত নিউরাল নেটওয়ার্ক প্রাক প্রসেসড ডেটা পায়। আপনি যদি লগটিকে "প্রিপ্রোসেস" করেন তবে আপনিও সমাধান পেতে পারেন।
betontalpfa

উত্তর:


9

প্রবেশের মধ্যে সম্পর্ক

প্রথম প্রস্তাবটি হ'ল মেশিন লার্নিং উপাদানগুলির ত্রুটির সাথে লগ ফাইলে যথাযথ সতর্কতা এবং তথ্যাদি প্রবেশদ্বারগুলি উপস্থাপন করা নিশ্চিত করা। সমস্ত লগ এন্ট্রি সম্ভাব্য দরকারী ইনপুট ডেটা যদি সম্ভব হয় যে তথ্যগত বার্তা, সতর্কতা এবং ত্রুটির মধ্যে পারস্পরিক সম্পর্ক রয়েছে। কখনও কখনও পারস্পরিক সম্পর্ক শক্তিশালী এবং তাই শিক্ষার হার সর্বাধিকতর করার পক্ষে সমালোচনা।

সিস্টেম প্রশাসকরা প্রায়শই এটি সতর্কতার শর্ত হিসাবে চিহ্নিত শর্ত দ্বারা সৃষ্ট একটি ত্রুটি দ্বারা অনুসরণ করে এবং পরে সতর্কতাগুলির একটি সিরিজ হিসাবে অভিজ্ঞতা পান। সিস্টেম বা একটি সাবসিস্টেম সমালোচিতভাবে ব্যর্থ হওয়ার সাথে সাথে তৈরি হওয়া ত্রুটি প্রবেশের চেয়ে সতর্কবাণীগুলির তথ্যগুলি ব্যর্থতার মূল কারণটির আরও বেশি ইঙ্গিত দেয়।

যদি কেউ এই যন্ত্রের অংশ বা আন্তঃচালিত এমন কোনও মেশিনের অ্যারে জন্য একটি সিস্টেম হেলথ ড্যাশবোর্ড তৈরি করে যা এই প্রশ্নের ক্ষেত্রে দেখা যায়, সমস্যাগুলির মূল কারণ এবং কিছু প্রাথমিক সতর্কতা ক্ষমতা প্রদর্শন করার মূল তথ্য।

তদুপরি, সমস্ত খারাপ সিস্টেমের স্বাস্থ্যের অবস্থা ব্যর্থতায় শেষ হয় না।

লার্নিং পদ্ধতির উপস্থাপনের আগে পরিস্রাবণের মাধ্যমে কেবলমাত্র লগ এন্ট্রিগুলি অপসারণ করা উচিত সেগুলি অবশ্যই অপ্রাসঙ্গিক এবং অসংলগ্ন। লগ ফাইলটি বেশ কয়েকটি সিস্টেমের লগিংয়ের সমষ্টি হয় এমন ক্ষেত্রে এটি হতে পারে। এই জাতীয় ক্ষেত্রে বিশ্লেষণ করা হচ্ছে এমন স্বাধীন সিস্টেমের জন্য এন্ট্রিগুলি পৃথক হিসাবে প্রবেশ করা উচিত যা বিশ্লেষণের সাথে সংঘবদ্ধ হতে পারে না।

এটি লক্ষ করা গুরুত্বপূর্ণ যে বিশ্লেষণকে একসাথে একবারে সীমাবদ্ধ করা ড্যাশবোর্ডের কার্যকারিতা সীমাবদ্ধ করে দেয়। কোনও সিস্টেমের স্বাস্থ্য সাম্প্রতিকতম লগ এন্ট্রির স্বাস্থ্যের ইঙ্গিতগুলির সমান নয়। এটি সাম্প্রতিক এন এন্ট্রিগুলির স্বাস্থ্য সূত্রগুলির লিনিয়ার যোগও নয়।

সিস্টেমের স্বাস্থ্যের অনেকগুলি এন্ট্রিগুলির সাথে খুব অ-লাইন এবং খুব সাময়িকভাবে নির্ভরশীল সম্পর্ক রয়েছে। বিভিন্ন ধরণের সিস্টেমে ধাপে ধাপে ধাপে ধাপে ধাপে উঠতে পারে। সিস্টেমের বেস (বা একটি বেস) নিউরাল নেটকে স্বাস্থ্যের এই অনৈখিক ইঙ্গিতগুলি, আসন্ন বিপদগুলি এবং ঝুঁকির শর্তগুলি সনাক্ত করতে প্রশিক্ষণ দিতে হবে যদি একটি অত্যন্ত দরকারী ড্যাশবোর্ড পছন্দ হয়। আসন্ন ব্যর্থতা বা গুণমান নিয়ন্ত্রণ সমস্যার সম্ভাবনা প্রদর্শনের জন্য, যথেষ্ট দৈর্ঘ্যের লগ এন্ট্রিগুলির একটি পুরো সময়ের উইন্ডোটি অবশ্যই এই নিউরাল নেটটি প্রবেশ করবে।

জ্ঞাত এবং অজানা প্যাটার্নগুলির মধ্যে পার্থক্য

লক্ষ্য করুন যে পরিচিত নিদর্শনগুলির শনাক্তকরণ নতুন নিদর্শনগুলির সনাক্তকরণের চেয়ে একটি গুরুত্বপূর্ণ ক্ষেত্রে আলাদা is পরিচিত ত্রুটির প্রবেশের সিনট্যাক্সের আইডিসিএনক্র্যাসিগুলি ইতিমধ্যে চিহ্নিত করা হয়েছে, ent এন্ট্রিগুলির প্রসেসিংয়ের ইনপুট নরমালাইজেশন পর্যায়ে শেখার বোঝা যথেষ্ট হ্রাস করে। নতুন ত্রুটি প্রকারের সিনট্যাক্টিক আইডিয়োসিঙ্ক্রেসিগুলি অবশ্যই আগে আবিষ্কার করা উচিত।

একটি পরিচিত প্রকারের এন্ট্রিগুলি অজানা তাদের থেকে পৃথক করা যেতে পারে, নতুন সিনট্যাকটিক নিদর্শনগুলি শেখার ক্ষেত্রে সহায়তার জন্য প্রশিক্ষণ ডেটা হিসাবে পরিচিত এন্ট্রি প্রকারগুলি সক্ষম করে। লক্ষ্যটি সিন্ট্যাক্টিক্যালি নরমালাইজড তথ্যকে শব্দার্থ বিশ্লেষণে উপস্থাপন করা।

লগ ফাইলের জন্য সাধারণকরণের প্রথম স্তর First

যদি টাইম স্ট্যাম্প এন্ট্রিগুলিতে সর্বদা একই জায়গায় থাকে, এটিকে আপেক্ষিক মিলি সেকেন্ডে রূপান্তর করা এবং সম্ভবত 0x0a অক্ষরের পূর্বে যে কোনও 0x0d অক্ষর অপসারণ স্বাভাবিককরণের প্রথম পদক্ষেপ হিসাবে অন্য কোনও কিছুর আগে করা যেতে পারে। স্ট্যাক ট্রেসগুলিকে ট্রেস স্তরগুলির ট্যাব সীমিত আরেগুলিতেও ভাঁজ করা যেতে পারে যাতে লগ এন্ট্রি এবং লগ লাইনগুলির মধ্যে একের মধ্যে একটি চিঠিপত্র থাকে।

ত্রুটিযুক্ত এবং অ-ত্রুটি প্রকারের এন্ট্রিগুলির জ্ঞাত এবং অজানা উভয় এন্ট্রি থেকে উদ্ভূত সংশ্লেষগতভাবে সাধারণ তথ্যটি তখন শব্দার্থক কাঠামোর বিভাগগুলির নিরীহ সনাক্তকরণের জন্য অকার্যকর জালের কাছে উপস্থাপিত হতে পারে। আমরা নম্বর বা পাঠ্য ভেরিয়েবল যেমন ব্যবহারকারীর নাম বা অংশ ক্রমিক সংখ্যাগুলি শ্রেণীবদ্ধ করতে চাই না।

যদি সংশ্লেষগতভাবে সাধারণীকরণ করা তথ্যগুলি যথাযথভাবে উচ্চ পরিবর্তনশীল প্রতীক যেমন গণনা, সক্ষমতা, মেট্রিক্স এবং সময় স্ট্যাম্পগুলি চিহ্নিত করতে চিহ্নিত করা হয়, তবে বৈশিষ্ট্য নিষ্কাশনটি এমনভাবে অভিব্যক্তির বিন্যাসগুলি শিখতে প্রয়োগ করা যেতে পারে যা শব্দার্থক কাঠামো এবং ভেরিয়েবলের মধ্যে পার্থক্য বজায় রাখে। পার্থক্য বজায় রাখা সিস্টেম মেট্রিকগুলিতে আরও ক্রমাগত (কম বিচ্ছিন্ন) প্রবণতাগুলির ট্র্যাকিংয়ের অনুমতি দেয়। প্রতিটি এন্ট্রিতে শূন্য বা আরও বেশি ভেরিয়েবল থাকতে পারে, যদিও এটি কোনও প্রাইরি হিসাবে পরিচিত বা সম্প্রতি বৈশিষ্ট্য নিষ্কাশনের মাধ্যমে অর্জিত।

সময়ের সাথে বা নির্দিষ্ট ধরণের উদাহরণগুলির সংখ্যার বিপরীতে প্রবণতাগুলি গ্রাফিক করা যেতে পারে। এই ধরনের গ্রাফিকগুলি যান্ত্রিক ক্লান্তি সনাক্তকরণ, অতিরিক্ত ক্ষমতা শর্তের পদ্ধতির বা অন্য ঝুঁকির ক্ষেত্রে সহায়তা করতে পারে যা ব্যর্থতার স্থানে বেড়ে যায়। প্রবণতাগুলি এ জাতীয় পরিস্থিতি আসন্ন হওয়ার ইঙ্গিত দিলে আরও নিউরাল নেটগুলি সতর্কতা সূচক তৈরির প্রশিক্ষণ দেওয়া যেতে পারে।

অলস লগিং

সফ্টওয়্যার আর্কিটেক্টস এবং প্রযুক্তি অফিসারগণ যদি গুরুত্বপূর্ণ সিস্টেমের তথ্যের স্টোরেজ ফর্ম্যাটটিকে সফ্টওয়্যার বিকাশকারীদের সুবিধামত স্বাচ্ছন্দ্যের কাছে রেখে দেওয়া বন্ধ করে দেয় তবে এই সমস্ত লগ বিশ্লেষণটি মোড হবে। লগ ফাইলগুলি সাধারণত একটি জগাখিচুড়ি হয় এবং সেগুলির নিদর্শন সম্পর্কে পরিসংখ্যান সম্পর্কিত তথ্যের নিষ্কাশন সফ্টওয়্যার মান নিয়ন্ত্রণের অন্যতম সাধারণ চ্যালেঞ্জ। লগিংয়ের ক্ষেত্রে কঠোরতা সর্বজনীনভাবে প্রয়োগ হওয়ার সম্ভাবনা খুব কম কারণ জনপ্রিয় লগিং ফ্রেমওয়ার্কগুলির কোনওটিই কঠোরতার জন্য উত্সাহিত করে না। সম্ভবত এই প্রশ্নটি ঘন ঘন দেখা হয়েছে।

প্রয়োজনীয়তা এই নির্দিষ্ট প্রশ্নের বিভাগ

এই প্রশ্নের উপস্থাপিত নির্দিষ্ট ক্ষেত্রে, প্রয়োজনীয়তা # 1 ব্রাউজারে বিশ্লেষণ চালানোর জন্য একটি অগ্রাধিকার নির্দেশ করে, যা সম্ভব তবে প্রস্তাবিত নয়। যদিও ইসিএমএ একটি দুর্দান্ত স্ক্রিপ্টিং ভাষা এবং নিয়মিত এক্সপ্রেশন মেশিনারি যা পার্সার শিখতে সহায়তা করতে পারে তা ইসিএমএতে নির্মিত (যা # 1 এর অন্যান্য অংশের সাথে মেনে চলে, অতিরিক্ত ইনস্টলেশনের প্রয়োজন হয় না) আন-সংকলিত ভাষাগুলি প্রায় হিসাবে নেই জাভা হিসাবে দক্ষ এমনকি জাভা সি এর মতো দক্ষ নয় কারণ আবর্জনা সংগ্রহ এবং অদক্ষতার জন্য যা চালানোর সময়টিকে মেশিন কোডে বাইট কোড ম্যাপিংকে অর্পণ করে ঘটে।

মেশিন লার্নিংয়ের অনেক পরীক্ষা-নিরীক্ষা পাইথনকে অন্য একটি দুর্দান্ত ভাষা নিয়োগ করে, তবে পাইথনে আমি যে বেশিরভাগ কাজ করেছি তা বেশিরভাগ ক্ষেত্রে গতিতে প্রায় এক হাজার থেকে এক লাভের জন্য কম্পিউটেশনাল দক্ষ সি ++ তে পোর্ট করা হয়েছিল। এমনকি সি ++ পদ্ধতির চেহারাটি ছিল একটি বাধা, তাই পোর্টগুলি ECMA শৈলীতে খুব সামান্য উত্তরাধিকার ব্যবহার করে তবে আরও দ্রুত। প্রচলিত কার্নেল কোডে প্রচলিত, সি স্ট্রাকচার এবং ফাংশন পয়েন্টার ব্যবহার vtable ওভারহেড অপসারণ করে elim

মডিউলার হ্যান্ডলারের দ্বিতীয় প্রয়োজনীয়তা যুক্তিসঙ্গত এবং এটি একটি ট্রিগারযুক্ত নিয়ম পরিবেশকে বোঝায় যে অনেকগুলি এনএন আর্কিটেকচারের সাথে বেমানান বলে মনে হতে প্ররোচিত হতে পারে, তবে তা নয়। একবার প্যাটার্ন বিভাগগুলি শনাক্ত করা গেলে, আরও ইনপুট ডেটাতে সর্বাধিক সাধারণগুলির সন্ধান করা ইতিমধ্যে উপরের প্রক্রিয়াটিতে এম্বেড থাকা / অজানা পার্থক্যটিতে ইতিমধ্যে আবদ্ধ হয়। যদিও এই মডুলার পদ্ধতির সাথে একটি চ্যালেঞ্জ রয়েছে।

যেহেতু সিস্টেম স্বাস্থ্য প্রায়শই প্রবণতা দ্বারা চিহ্নিত করা হয় এবং একক এন্ট্রি নয় (যেমন উপরে আলোচনা করা হয়েছে) এবং যেহেতু সিস্টেম স্বাস্থ্য পৃথক এন্ট্রিগুলির স্বাস্থ্য মূল্যের একটি রৈখিক যোগফল নয়, এন্ট্রিগুলি পরিচালনা করার ক্ষেত্রে মডিউলার পদ্ধতিটি কেবল বিনা ডিসপ্লেতে পাইপ করা উচিত নয় বিশ্লেষণ। এটি প্রকৃতপক্ষে যেখানে নিউরাল জালগুলি স্বাস্থ্য পর্যবেক্ষণে সর্বাধিক কার্যকরী লাভ প্রদান করবে। মডিউলগুলির আউটপুটগুলিতে অবশ্যই একটি নিউরাল জাল প্রবেশ করা উচিত যা স্বাস্থ্যের এই অন-লাইন সূচকগুলি, আসন্ন বিপদগুলি এবং ঝুঁকির শর্তগুলি সনাক্ত করতে প্রশিক্ষিত হতে পারে।

তদ্ব্যতীত, প্রাক-ব্যর্থতার আচরণের অস্থায়ী দিকটি বোঝায় যে যথেষ্ট দৈর্ঘ্যের লগ এন্ট্রিগুলির একটি পুরো সময়ের উইন্ডোটি অবশ্যই এই জালে প্রবেশ করবে। এটি আরও সমাধানের গণ্য নিবিড় অংশের জন্য পছন্দ হিসাবে ইসিএমএ বা পাইথনের অনুপযুক্তিকে বোঝায়। (দ্রষ্টব্য যে পাইথনের প্রবণতা হ'ল আমি সি ++ দিয়ে যা করব: অবজেক্ট ওরিয়েন্টেড ডিজাইন, এনক্যাপসুলেশন এবং তদারকি কোডের জন্য নকশার ধরণগুলি অনুসরণ করতে সহজ এবং খুব শিখার জন্য কম্পিউটারের দক্ষ দক্ষ কার্নেল-জাতীয় কোড এবং অন্যান্য কম্পিউটেশনাল নিবিড় বা ডেটা নিবিড়ভাবে ব্যবহার করুন ফাংশন।)

বাছাই অ্যালগরিদম

আর্কিটেকচারের প্রাথমিক পর্যায়ে অ্যালগরিদম বাছাই বাঞ্ছনীয় নয় (যেমনটি প্রশ্নের শেষে বর্ণিত ছিল)। প্রক্রিয়াটি প্রথমে স্থপতি করুন ect শেখার উপাদানগুলি, তাদের প্রয়োজনীয় ধরণেরগুলি, প্রশিক্ষণের পরে তাদের লক্ষ্যের স্থিতি, কোথায় শক্তিবৃদ্ধি ব্যবহার করা যেতে পারে, এবং কীভাবে সুস্থতা / ত্রুটি সংকেত উত্সাহিত করা / কাঙ্ক্ষিত নেটওয়ার্ক আচরণকে সংশোধন করার জন্য তৈরি করা হবে তা নির্ধারণ করুন। এই নির্ধারণগুলি কেবল কাঙ্ক্ষিত প্রদর্শন সামগ্রীতে নয়, প্রত্যাশিত থ্রুপুট, কম্পিউটিং সংস্থান প্রয়োজনীয়তা এবং ন্যূনতম কার্যকর শিক্ষার হারের ভিত্তিতে করুন। সিস্টেমের জন্য অ্যালগরিদম, ভাষা এবং ক্ষমতা পরিকল্পনা কেবলমাত্র অর্থপূর্ণভাবে এই সমস্ত বিষয় অন্তত মোটামুটি সংজ্ঞায়িত হওয়ার পরে বেছে নেওয়া যেতে পারে।

প্রযোজনায় অনুরূপ কাজ

সোস্যাল অ্যাডাপটিভ পার্সিং এখানে ল্যাবটিতে সোশ্যাল নেটওয়ার্কিং অটোমেশনের অংশ হিসাবে চলছে, তবে কেবলমাত্র চিহ্ন এবং অনুক্রমিক নিদর্শনগুলির সীমিত সেটগুলির জন্য। এটি কেবল আমাদের হার্ডওয়্যার সক্ষমতা এবং থ্রুপুট দ্বারা সীমাবদ্ধ একটি নির্বিচারে বৃহত বেসিক ভাষাগত ইউনিট, উপসর্গ, শেষ এবং প্রত্যয়গুলিতে পুনর্গঠন ছাড়াই স্কেল করে। নিয়মিত এক্সপ্রেশন লাইব্রেরির অস্তিত্ব নকশাটি সহজ রাখতে সহায়ক ছিল। আমরা একটি কনফিগারযোগ্য উইন্ডোজ আকার এবং সরানো ইনক্রিমেন্ট আকারের সাথে ইনপুট পাঠ্যের মধ্য দিয়ে একটি উইন্ডো থেকে সরানো বৈশিষ্ট্য নিষ্কাশনের জন্য ডিসিএনএন-এর একটি অ্যাসিওট্রোপিক ফর্ম দ্বারা খাওয়ানো পিসিআরই সংস্করণ 8 সিরিজের লাইব্রেরি ব্যবহার করি। প্রথম পাসে সংগৃহীত ইনপুট পাঠ্য পরিসংখ্যানগুলিতে প্রয়োগ করা হিউরিস্টিক্স দুটি স্তরে সজ্জিত হাইপোথিটিকাল পিসিআরইয়ের একটি সেট তৈরি করে।

অনুকূলতাটি বিশৃঙ্খলা বিশিষ্ট পাঠ্য অনুসন্ধানে সেরা পিসিআরই-তে উচ্চতর সম্ভাব্য ওজন প্রয়োগ করতে দেখা যায়। এটি প্রশিক্ষণের ক্ষেত্রে এনএন ব্যাক প্রচারে ব্যবহৃত একই গ্রেডিয়েন্ট বংশোদ্ভূত রূপান্তর কৌশলগুলি ব্যবহার করে। এটি একটি নিষ্পাপ দৃষ্টিভঙ্গি যা ব্যাক-ট্রেস, ফাইল বা ত্রুটির অস্তিত্বের মতো অনুমান করে না। এটি আরবি বার্তাগুলি এবং স্প্যানিশগুলির সাথে সমানভাবে মানিয়ে নেবে।

আউটপুট মেমোরিতে একটি নির্বিচারে নির্দেশিত গ্রাফ, যা কোনও অবজেক্ট অরিয়েন্টেড ডাটাবেসের ডাম্পের মতো।

قنبلة -> dangereux -> 4anlyss
bomba -> dangereux
ambiguïté -> 4anlyss -> préemption -> قنبلة

যদিও একটি পুনর্বহাল সংস্করণটির জন্য পুনরায় প্রবেশকারী অ্যালগরিদমটি আটকানো হয়েছে এবং সুস্থতা সংকেত ইতিমধ্যে উপলব্ধ রয়েছে, অন্যান্য কাজ প্রাকৃতিক ভাষার জন্য কাজটি ব্যবহারের জন্য অভিযোজক পার্সারকে আরও এগিয়ে নেওয়া বা পরবর্তী পদক্ষেপের দিকে কাজ করা: নির্দেশিত গ্রাফগুলি স্থির নির্দেশিত গ্রাফের সাথে মিলে যাওয়া ফিল্টারগুলি ধারণাগুলি উপস্থাপন করে যা ভাষা বোধগমের ধারণার প্রত্যয়টি অনুকরণ করে।

চূড়ান্ত মন্তব্য

সিস্টেমে লগ বিশ্লেষণ সমস্যার মতো উপাদান এবং প্রক্রিয়া আর্কিটেকচার রয়েছে এবং উপরে তালিকাভুক্ত ধারণাগুলি প্রমাণ করে। অবশ্যই, লগিংয়ের ফলে সিস্টেমের বিকাশকারীদের মধ্যে যেভাবে লগিং করা হয় তত বেশি বিশৃঙ্খলা করা, কোনও মানব বা কৃত্রিম এজেন্টের জন্য এন্ট্রিগুলি ছিন্ন করা তত বেশি কঠিন। কিছু সিস্টেম লগিং এত দিন ধরে নিম্নমানের মান নিয়ন্ত্রণের ফলে লগটি প্রায় অকেজো।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.