로그 파싱 (Log parsing)은 자동화된 로그 분석의 핵심적인 단계로, 가공되지 않은 시스템 로그를 이상 탐지 (anomaly detection) 및 시스템 모니터링 (system monitoring)과 같은 다운스트림 태스크 (downstream tasks)를 위한 구조화된 이벤트 템플릿으로 변환합니다. 기존의 로그 파싱 방법은 규칙 기반 (rule-based) 및 클러스터링 기반 (clustering-based) 접근 방식부터 로그 메시지로부터 의미론적 표현 (semantic representations)을 학습하는 신경망 모델 (neural models)에 이르기까지 다양합니다. 그러나 신경망 접근 방식은 일반적으로 밀집 행렬 곱셈 (dense matrix multiplications)에 의존하며, 이는 높은 계산 비용과 에너지 소비를 초래할 수 있습니다. 본 논문은 에너지 효율적인 로그 파싱을 위한 스파이킹 신경망 (spiking neural network) 프레임워크인 SpikeLogBERT를 제시합니다. 제안된 모델은 스파이킹 트랜스포머 (spiking transformer) 아키텍처를 BERT 교사 모델 (teacher model)로부터의 지식 증류 (knowledge distillation)와 통합하여, 의미론적 표현 능력을 유지하면서도 스파이크 기반 계산 (spike-driven computation)을 가능하게 합니다. 희소한 스파이크 활성화 (sparse spike activations)와 이벤트 기반 처리 (event-driven processing)를 활용함으로써, 추론 (inference) 중 활성 연산 횟수를 크게 줄일 수 있습니다. 초기 벤치마크 연구로서, HDFS 데이터셋에 대한 실험 결과 SpikeLogBERT는 0.99997의 파싱 정확도를 기록하며 ANN 기반 신경망 로그 파싱 모델들을 능가하는 동시에, 표준 45nm CMOS 가정 하에서 추정 이론적 에너지 소비를 최대 62.6%까지 절감함을 입증하였습니다.