LLM-basierte Root-Cause-Analyse zur automatisierten Fehlerdiagnose in Online-Banking-Anwendungen

Bachelorarbeit (abgeschlossen 2025)

Erstbetreuer: Prof. Dr. Malte Lochau

Beschreibung

Large Language Models verheißen neue Möglichkeiten der Problemlösung in Softwareentwicklung und -deployment. Ein solches Problemfeld ist die Loganalyse zur Anomalieerkennung und Root Cause Analyse (RCA). Die vorliegende Arbeit untersucht, inwiefern die Datenqualität der zu untersuchenden Logs die verschiedenen Analysen beeinflußt. Außerdem ist von Interesse, ob die RCA von der Hinzunahme weiterer Datenquellen außer Systemlogs profitiert. Dies geschieht im Rahmen einer Online-Banking-Anwendung, bei der die Logs strengen Datenschutzregeln unterliegen. Deshalb müssen für diese Aufgabe lokal aufgesetzte LLMs verwendet werden, bei denen die notwendige Datensicherheit gewährleistet werden kann. Folglich haben die Ergebnisse dieser Arbeit Aussagekraft in Bezug auf kleinere LLMs, die anderen Studien in diesem Feld oft fehlt. In dieser Arbeit werden zwei Systeme vorgestellt. Das Erste implementiert eine LLM-gestützte Anomalieerkennung aufgrund von strukturierten Logdaten, bei der das LLM mithilfe von Retrieval Augmented Generation und Zero-Shot Learning für die Anomalieerkennung verwendet wird. Das zweite System nutzt ein LLM um RCA aufgrund von Logdaten durchzuführen, die mit Informationen aus Bugtickets angereichert wurden. Es wird beschrieben, welche Vorteile strukturierte gegenüber unstrukturierten Logdaten für diese Aufgaben haben, wie sich der Umgang mit beiden unterscheidet und inwiefern das Datenformat und die Fehlerklasse Einfluss auf die RCA hat.

⇐ Zurück zur Übersicht der Abschlussarbeiten