자체 호스팅되고 자원이 제한된 환경에서의 운영 로그 분석(Production log analytics)은 모든 쿼리를 대규모 언어 모델(Large Language Model, LLM)을 통해 라우팅하는 비용을 들이지 않으면서도, 방대한 로그 스트림에 대한 자연어 접근을 필요로 합니다. 본 논문에서는 TUBITAK BILGEM의 국가 빅데이터 플랫폼에 배포된 엔드 투 엔드(end-to-end) 로그 질의응답 시스템인 LogRouter를 소개합니다. 이 시스템은 PySpark 기반의 Drain3 수집 파이프라인, GPU 가속 임베딩(embeddings), 그리고 Apache Druid와 pgvector를 사용하는 PostgreSQL의 이중 인덱스 저장소를 결합합니다. 비용을 고려한 2단계(two-level) 라우터는 각 쿼리를 직접 응답, Druid 키워드 검색, SQL 생성을 포함한 템플릿 조회, pgvector 의미론적 검색(semantic retrieval)의 네 가지 실행 경로 중 하나로 전달하며, 2단계(Level-2) 라우터는 의미론적 경로를 위해 14B급 또는 32B급 생성기(generator) 중 하나를 선택합니다. 전용 코더 LLM(coder LLM)은 텍스트-투-SQL(text-to-SQL) 생성을 처리합니다. 우리는 온라인 전체 파이프라인 구성과 생성기를 격리한 오프라인 구성 모두에서 네 가지 LogHub 데이터셋(Linux, Apache, Windows, Mac; 총 70개 질문)을 통해 시스템을 평가했습니다. 라우터는 데이터셋 전반에 걸쳐 88.4%의 평균 정확도(mean accuracy)를 기록했으며 Linux에서는 94.7%를 달성했습니다. 전체 파이프라인은 평균 ROUGE-1 0.373, BERTScore 0.879, RAGAS Faithfulness 0.779, 그리고 엔드 투 엔드 지연 시간(end-to-end latency) 18.6초를 기록했습니다. 동일 조건의 오프라인 비교에서, 라우팅된 시스템은 Fixed-32B 베이스라인 대비 평균 지연 시간을 55% 단축(46.3초 대 102.1초)하면서도 정답 정확도(Answer Correctness)를 5.8포인트 이내로 유지했으며, 모든 데이터셋에서 Fixed-14B 베이스라인의 RAGAS Faithfulness를 상회했습니다. 따라서 비용을 고려한 디스패칭(Cost-aware dispatching)은 운영 로그 QA를 위한 실용적인 메커니즘입니다. 라우팅을 통해 항상 32B를 사용하는 구성의 품질 대부분을 회복하면서도 지연 시간은 절반 미만으로 줄일 수 있으며, L1 키워드 어휘집(keyword vocabulary)은 학습된 분류기(learned classifier) 없이도 높은 정밀도로 해당 라우팅 결정을 내릴 수 있게 합니다.