論文の概要: ChaosEater: Fully Automating Chaos Engineering with Large Language Models

• arxiv url: http://arxiv.org/abs/2501.11107v1
• Date: Sun, 19 Jan 2025 16:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:26:44.112573
• Title: ChaosEater: Fully Automating Chaos Engineering with Large Language Models
• Title（参考訳）: ChaosEater: 大規模言語モデルによるカオスエンジニアリングの完全自動化
• Authors: Daisuke Kikuta, Hiroki Ikeuchi, Kengo Tajiri, Yuusuke Nakano,
• Abstract要約: Chaos Engineering(CE)は、分散システムのレジリエンスを改善するための技術である。 最近のツールは、事前定義されたCE実験の自動実行を実現する。 我々は,CE操作全体を自動化するためのテキストシステムであるtextscChaosEater を提案する。
• 参考スコア（独自算出の注目度）: 1.5593172556501704
• License:
• Abstract: Chaos Engineering (CE) is an engineering technique aimed at improving the resiliency of distributed systems. It involves artificially injecting specific failures into a distributed system and observing its behavior in response. Based on the observation, the system can be proactively improved to handle those failures. Recent CE tools realize the automated execution of predefined CE experiments. However, defining these experiments and reconfiguring the system after the experiments still remain manual. To reduce the costs of the manual operations, we propose \textsc{ChaosEater}, a \textit{system} for automating the entire CE operations with Large Language Models (LLMs). It pre-defines the general flow according to the systematic CE cycle and assigns subdivided operations within the flow to LLMs. We assume systems based on Infrastructure as Code (IaC), wherein the system configurations and artificial failures are managed through code. Hence, the LLMs' operations in our \textit{system} correspond to software engineering tasks, including requirement definition, code generation and debugging, and testing. We validate our \textit{system} through case studies on both small and large systems. The results demonstrate that our \textit{system} significantly reduces both time and monetary costs while completing reasonable single CE cycles.
• Abstract（参考訳）: Chaos Engineering(CE)は、分散システムのレジリエンスを改善するための技術である。 特定の障害を分散システムに人工的に注入し、その振る舞いを応答で観察する。 この観測に基づいて、システムはこれらの障害に対処するために積極的に改善することができる。 最近のCEツールは、事前定義されたCE実験の自動実行を実現する。 しかし、これらの実験を定義し、実験後にシステムを再構成することは、まだ手作業のままである。 手動操作のコストを削減するため,大言語モデル(LLM)を用いたCE操作全体を自動化するための \textit{system} である \textsc{ChaosEater} を提案する。 系統的なCEサイクルに従って一般的なフローを事前定義し、フロー内の細分化された操作をLSMに割り当てる。 我々は、インフラストラクチャ・アズ・コード(IaC)に基づくシステムを想定し、システム構成と人工的な障害をコードを通して管理する。 したがって、我々の‘textit{system} における LLM の操作は、要件定義、コード生成とデバッグ、テストを含むソフトウェアエンジニアリングタスクに対応します。 我々は,小規模システムと大規模システムの両方のケーススタディを通じて,我々の \textit{system} を検証する。 その結果,本システムでは,適切なCEサイクルを完了しながら,時間と金銭の両方のコストを著しく削減できることがわかった。

関連論文リスト

• A Roadmap Towards Automated and Regulated Robotic Systems [4.6015001632772545]
  我々は、AIの非規制生成プロセスが低レベルのタスクに適合していると主張している。 完全自動化・制御されたロボットシステムを実現するためのロードマップを提案する。
  論文  参考訳（メタデータ） (2024-03-21T00:14:53Z)
• Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
  学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。 確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。 Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
  論文  参考訳（メタデータ） (2023-09-25T15:42:18Z)
• Exploring Continual Learning for Code Generation Models [80.78036093054855]
  継続的学習(CL)は、コードドメインの中でまだ過小評価されていない重要な側面である。 コード生成,翻訳,要約,改良など,幅広いタスクをカバーするCodeTask-CLというベンチマークを導入する。 即時選択機構の不安定な訓練により,プロンプトプール (PP) などの有効手法が破滅的な忘れ込みに悩まされることが判明した。
  論文  参考訳（メタデータ） (2023-07-05T16:58:39Z)
• CHESS: A Framework for Evaluation of Self-adaptive Systems based on Chaos Engineering [0.6875312133832078]
  自己適応型および自己修復型システムの正しい行動を評価する必要性が高まっている。 自己適応型・自己修復型システムの体系的評価方法が欠如している。 本稿では,カオスエンジニアリングに基づくフォールトインジェクションによる自己適応型・自己修復型システムの評価により,このギャップに対処するCHESSを提案する。
  論文  参考訳（メタデータ） (2023-03-13T17:00:55Z)
• SIAD: Self-supervised Image Anomaly Detection System [18.410995759781006]
  本稿では,SsaAと呼ばれる自動アノテーションシステムについて概説する。 ユーザフレンドリーなWebベースのインターフェースにより、SsaAは教師なしアルゴリズムと教師なしアルゴリズムの両方を統合するのに非常に便利である。
  論文  参考訳（メタデータ） (2022-08-08T14:26:35Z)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• Deep Neural Network Approach to Estimate Early Worst-Case Execution Time [10.272133976201763]
  WCET(Worst-Case Execution Time)は、サイバー物理・安全批判システムを開発する上で最も重要である。 本稿では,ハードウェアアーキテクチャとコンパイラの近似予測モデルとしてDeep Neural Networksを用いた初期のWCETを推定する。
  論文  参考訳（メタデータ） (2021-07-28T06:32:02Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
  本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。 サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
  論文  参考訳（メタデータ） (2020-09-08T16:42:55Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。