挑战
① 基于可用日志先验知识设计的日志解析器性能有限，且不具有泛化性
② 一些日志解析器在日志本身差异性大时无法正常工作
③ 劳动密集型模型调整
框架
离线训练
使用 WordPiece 进行 Tokenization（子词模型），然后输入到 Transformer 中进行上下文特征集成，然后输入 sigmoid 函数，进行二分类任务
在线解析
模型以在线日志为输入，得到经过 sigmoid 层后的可变概率，如果一个词的可变概率低于预定义的概率边界，则该词被视为常量
然后按照可变概率升序排序提取前 n 个单词作为常量词，然后根据每条日志的常量词进行分组，分完组后进行以下四个步骤：单词比较->顺序比较->长度比较->连续变量检测，如果匹配成功，则输入日志将被添加到匹配的日志组中，并进行下一步日志模板更新
模版更新步骤很简单，确保列中所有常量字的对齐。一旦添加新日志导致某一列中出现不同的单词，日志模板中对应的单词将在相应位置替换为通配符“<*>”
总结
使用 Transformer 进行变量概率预测，然后提出了一套流处理的方法来进行模版的匹配和更新
