This degree project is dedicated to Waymark in Stockholm. Waymark is a consulting company where they, among other projects, develops a web application for one of the major banks in Sweden. Today the application is fully functional and deployed at the bank’s application server. Much of the work today is about maintenance but a lot of time goes to solve the bugs that the bank reports back to Waymark. One feature that was considered missing was to read the logs from the production environment in a smoothly manner. This functionality seemed appropriate for a degree project of ten weeks. The work is about solving this task and developing a prototype to be delivered to Waymark during the project. To solve this problem different log-analysis frameworks are tested to see how well they would fit. The web application is written in Java 7 and running on a WebSphere at the bank. The web layer is written in Wicket, jQuery and CSS3. Service layer running JPA2 and Google Guice used for dependency injection. For logging Log4J is used. The result turned out to be a built-in functionality in the application that manages the monitoring of the logs. Through the admin GUI, a specific log page can be opened where the user can read and filter the results to find the desired log messages. Configuration of Log4jJ has been done. Where on disk and how logs are stored has been discussed. Testing of the new functionality has been a high priority throughout the project. / Detta examensarbete är utfört åt Waymark i Stockholm. Waymark är ett IT-konsultbolag där bland annat en intern webbapplikation åt en storbank utvecklas. Applikationen är fullt fungerande och körs på bankens interna server. Idag förvaltar Waymark applikationen men ny funktionalitet införs konstant samtidigt som mycket arbete handlar om att lösa systemets buggar som banken rapporterar. En funktion som saknades var att kunna läsa loggarna från produktion på ett smidigt sätt. Denna funktionalitet ansågs som en passande uppgift för ett examensarbete på 10 veckor. Arbetet kretsar kring att utifrån den givna webbapplikationen undersöka hur denna funktionalitet skulle kunna se ut samt att utveckla fram en prototyp som levereras till Waymark innan projektets slut. I arbetet granskas logganalyserings ramverk för att se hur väl de skulle passa in i detta projekt. Webbapplikationen är skriven i Java 7 och körs på en WebSphere hos banken. Webblagret är skrivet i Wicket, jQuery och CSS3. Servicelagret kör JPA2 och Google Guice används för dependency injection. För loggning används Log4J. Resultatet blev en inbyggd funktionalitet i applikationen som sköter monitorering av loggarna. Via ett admin GUI kan en specifik loggsida öppnas där användaren kan söka och filtrera resultaten för att hitta önskade loggutskrifter. Konfiguration i Log4J har också genomförts. Var på disk och hur loggarna ska sparas har diskuterats. Testning av den nya funktionaliteten har haft hög prioritet genom hela projektet.

C# provides static analysis libraries for template-based code analysis and code fixing. These libraries have been used by the open-source community to generate numerous NuGet packages for different use-cases. However, due to the unstructured vastness of these packages, it is difficult to find the ones required for a project and creating new analyzers and fixers take time and effort to create. Therefore, this thesis proposes a neural network, which firstly imitates existing fixers and secondly extrapolates to fixes of unseen diagnostics. To do so, the state-of-the-art of static analysis NuGet packages is examined and further used to generate a dataset with diagnostics and corresponding code fixes for 24,622 data points. Since many C# fixers apply formatting changes, all formatting is preserved in the dataset. Furthermore, since the fixers also apply identifier changes, the tokenization of the dataset is varied between splitting identifiers by camelcase and preserving them. The neural network uses a sequence-to-sequence learning approach with the Transformer model and takes file context, diagnostic message and location as input and predicts a diff as output. It is capable of imitating 46.3% of the fixes, normalized by diagnostic type, and for data points with unseen diagnostics, it is able to extrapolate to 11.9% of normalized data points. For both experiments, splitting identifiers by camelcase produces the best results. Lastly, it is found that a higher proportion of formatting tokens in input has minimal positive impact on prediction success rates, whereas the proportion of formatting in output has no impact on success rates. / C# tillhandahåller statiska analysbibliotek för mallbaserad kodanalys och kodfixering. Dessa bibliotek har använts av open source-gemenskapen för att generera många NuGet-paket för olika användningsfall. Men på grund av mängden av dessa paket är det svårt att hitta de som krävs för ett projekt och att skapa nya analysatorer och fixare tar tid och ansträngning att skapa. Därför föreslår denna avhandling ett neuralt nätverk, som för det första imiterar befintliga korrigeringar och för det andra extrapolerar till korrigeringar av osynlig diagnostik. För att göra det har det senaste inom statisk analys NuGetpaketen undersökts och vidare använts för att generera en datauppsättning med diagnostik och motsvarande kodfixar för 24 622 datapunkter. Eftersom många C# fixers tillämpar formateringsändringar, bevaras all formatering i datasetet. Dessutom, eftersom fixarna också tillämpar identifieringsändringar, varieras tokeniseringen av datamängden mellan att dela upp identifierare efter camelcase och att bevara dem. Det neurala nätverket använder en sekvenstill- sekvens-inlärningsmetod med Transformer-modellen och tar filkontext, diagnostiskt meddelande och plats som indata och förutsäger en skillnad som utdata. Den kan imitera 46,3% av korrigeringarna, normaliserade efter diagnostisk typ, och för datapunkter med osynlig diagnostik kan den extrapolera till 11,9% av normaliserade datapunkter. För båda experimenten ger uppdelning av identifierare efter camelcase de bästa resultaten. Slutligen har det visat sig att en högre andel formateringstokens i indata har minimal positiv inverkan på åndelen korrekta förutsägelser, medan andelen formatering i utdata inte har någon inverkan på åndelen korrekta förutsägelser.