論文の概要: Recovery command generation towards automatic recovery in ICT systems by
Seq2Seq learning
- arxiv url: http://arxiv.org/abs/2003.10784v1
- Date: Tue, 24 Mar 2020 11:34:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:42:54.851396
- Title: Recovery command generation towards automatic recovery in ICT systems by
Seq2Seq learning
- Title(参考訳): Seq2Seq学習によるICTシステムの自動リカバリに向けたリカバリコマンド生成
- Authors: Hiroki Ikeuchi, Akio Watanabe, Tsutomu Hirao, Makoto Morishita,
Masaaki Nishino, Yoichi Matsuo, Keishiro Watanabe
- Abstract要約: 本稿では,ニューラルネットワークモデルであるSeq2Seqを用いて,回復コマンドを推定する手法を提案する。
新たな障害が発生した場合、収集したログに基づいて、障害から回復する有効なコマンドを推定する。
- 参考スコア(独自算出の注目度): 11.387419806996599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increase in scale and complexity of ICT systems, their operation
increasingly requires automatic recovery from failures. Although it has become
possible to automatically detect anomalies and analyze root causes of failures
with current methods, making decisions on what commands should be executed to
recover from failures still depends on manual operation, which is quite
time-consuming. Toward automatic recovery, we propose a method of estimating
recovery commands by using Seq2Seq, a neural network model. This model learns
complex relationships between logs obtained from equipment and recovery
commands that operators executed in the past. When a new failure occurs, our
method estimates plausible commands that recover from the failure on the basis
of collected logs. We conducted experiments using a synthetic dataset and
realistic OpenStack dataset, demonstrating that our method can estimate
recovery commands with high accuracy.
- Abstract(参考訳): ICTシステムの規模と複雑さの増大に伴い、その運用は失敗から自動的に回復する必要がある。
異常を自動的に検出し、現在のメソッドで障害の根本原因を分析することは可能になったが、障害から回復するためにどのコマンドを実行するべきかの決定は、手動操作に依存する。
本稿では,ニューラルネットワークモデルであるseq2seqを用いて,リカバリコマンドの自動推定手法を提案する。
このモデルは、過去にオペレータが実行した機器から取得したログとリカバリコマンドとの複雑な関係を学習する。
新たな障害が発生した場合、収集したログに基づいて、障害から回復する有効なコマンドを推定する。
合成データセットと現実的なopenstackデータセットを用いて実験を行い,高い精度でリカバリコマンドを推定できることを実証した。
関連論文リスト
- ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。
エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。
引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文 参考訳(メタデータ) (2023-12-15T18:20:15Z) - Automaton Distillation: Neuro-Symbolic Transfer Learning for Deep
Reinforcement Learning [11.31386674125334]
強化学習(Reinforcement Learning, RL)は、シーケンシャルな意思決定プロセスにおいて最適なポリシーを見つけるための強力なツールである。
実践的なRL問題に必要とされるエージェント経験の収集は違法に高価であり、学習方針はトレーニング分布外のタスクに対する一般化が不十分である。
本稿では,教師からのQ値推定を,オートマトンという形で低次元の表現に蒸留する,ニューロシンボリック・トランスファー学習の形式であるオートマトン蒸留を導入する。
論文 参考訳(メタデータ) (2023-10-29T19:59:55Z) - Recovery of Training Data from Overparameterized Autoencoders: An
Inverse Problem Perspective [1.8583319788214916]
劣化したトレーニングサンプルが与えられた場合、元のサンプルの回収を逆問題として定義する。
逆問題では、トレーニングされたオートエンコーダを使用して、学習対象とする特定のトレーニングデータセットの正規化子を暗黙的に定義します。
複雑な最適化タスクを、訓練されたオートエンコーダと、未知の劣化演算子を推定し、対処する比較的単純な計算を反復的に適用する実用的な方法として開発する。
論文 参考訳(メタデータ) (2023-10-04T15:36:33Z) - REBOOT: Reuse Data for Bootstrapping Efficient Real-World Dexterous
Manipulation [61.7171775202833]
本稿では,強化学習による巧妙な操作スキルの学習を効率化するシステムを提案する。
我々のアプローチの主な考え方は、サンプル効率のRLとリプレイバッファブートストラップの最近の進歩の統合である。
本システムでは,実世界の学習サイクルを,模倣に基づくピックアップポリシを通じて学習されたリセットを組み込むことで完遂する。
論文 参考訳(メタデータ) (2023-09-06T19:05:31Z) - Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳(メタデータ) (2023-08-25T15:25:57Z) - Toward Physically Plausible Data-Driven Models: A Novel Neural Network
Approach to Symbolic Regression [2.7071541526963805]
本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。
非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。
本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
論文 参考訳(メタデータ) (2023-02-01T22:05:04Z) - Efficient Interdependent Systems Recovery Modeling with DeepONets [0.0]
本稿では,Deep Operator Networks (DeepONets) を用いて相互依存システムのリカバリモデリングを高速化する手法を提案する。
DeepONetsはデータから数学的演算子を識別するMLアーキテクチャである。
DeepONetsは、トレーニングデータが少なくて、相互依存したシステムリカバリを効率的にモデル化できることを示す。
論文 参考訳(メタデータ) (2022-06-22T04:03:47Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Automatic Recall Machines: Internal Replay, Continual Learning and the
Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。
本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。
代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文 参考訳(メタデータ) (2020-06-22T15:07:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。