論文の概要: Automated Microservice Pattern Instance Detection Using Infrastructure-as-Code Artifacts and Large Language Models

• arxiv url: http://arxiv.org/abs/2502.04188v1
• Date: Thu, 06 Feb 2025 16:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:33:37.804396
• Title: Automated Microservice Pattern Instance Detection Using Infrastructure-as-Code Artifacts and Large Language Models
• Title（参考訳）: インフラストラクチャ・アズ・コードアーチファクトと大規模言語モデルを用いたマイクロサービスパターンの自動検出
• Authors: Carlos Eduardo Duarte,
• Abstract要約: この記事では、現在進行中のPhD研究、初期の実験、マイクロサービスパターンインスタンスの自動検出のためのMicroPADと呼ばれるツールのプロトタイプについて紹介します。 プロトタイプでは、Large Language Models(LLM)を使用して、インフラストラクチャ・アズ・コード(IaC)アーティファクトを分析して検出を支援し、コストを低く抑え、検出可能なパターンの範囲を最大化することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Documenting software architecture is essential to preserve architecture knowledge, even though it is frequently costly. Architecture pattern instances, including microservice pattern instances, provide important structural software information. Practitioners should document this information to prevent knowledge vaporization. However, architecture patterns may not be detectable by analyzing source code artifacts, requiring the analysis of other types of artifacts. Moreover, many existing pattern detection instance approaches are complex to extend. This article presents our ongoing PhD research, early experiments, and a prototype for a tool we call MicroPAD for automating the detection of microservice pattern instances. The prototype uses Large Language Models (LLMs) to analyze Infrastructure-as-Code (IaC) artifacts to aid detection, aiming to keep costs low and maximize the scope of detectable patterns. Early experiments ran the prototype thrice in 22 GitHub projects. We verified that 83\% of the patterns that the prototype identified were in the project. The costs of detecting the pattern instances were minimal. These results indicate that the approach is likely viable and, by lowering the entry barrier to automating pattern instance detection, could help democratize developer access to this category of architecture knowledge. Finally, we present our overall research methodology, planned future work, and an overview of MicroPAD's potential industrial impact.
• Abstract（参考訳）: ソフトウェアアーキテクチャの文書化は、しばしばコストがかかるにもかかわらず、アーキテクチャの知識を保存するために不可欠である。 マイクロサービスパターンインスタンスを含むアーキテクチャパターンインスタンスは、重要な構造ソフトウェア情報を提供する。 実践者は、知識の蒸発を防ぐために、この情報を文書化すべきである。 しかし、アーキテクチャパターンは、ソースコードのアーティファクトを分析し、他の種類のアーティファクトを分析する必要があることで検出できないかもしれない。 さらに、多くの既存のパターン検出インスタンスアプローチは拡張が複雑である。 この記事では、現在進行中のPhD研究、初期の実験、マイクロサービスパターンインスタンスの自動検出のためのMicroPADと呼ばれるツールのプロトタイプについて紹介します。 プロトタイプでは、Large Language Models(LLM)を使用して、インフラストラクチャ・アズ・コード(IaC)アーティファクトを分析して検出を支援し、コストを低く抑え、検出可能なパターンの範囲を最大化することを目的としている。 初期の実験では、22のGitHubプロジェクトでプロトタイプが使用された。 プロトタイプが特定したパターンの83%がプロジェクトにあることを確認した。 パターンインスタンスを検出するコストは最小限であった。 これらの結果は、このアプローチが実現可能であり、パターンインスタンスの自動検出への参入障壁を低くすることで、開発者がこのアーキテクチャ知識のカテゴリにアクセスできるようになることを示唆している。 最後に,本研究の総合的方法論,今後の計画,およびMicroPADの潜在的産業的影響の概要について述べる。

関連論文リスト

• Quantitative Assurance and Synthesis of Controllers from Activity Diagrams [4.419843514606336]
  確率的モデル検査は、定性的および定量的な性質を自動検証するために広く用いられている形式的検証手法である。 これにより、必要な知識を持っていない研究者やエンジニアにはアクセスできない。 本稿では,確率時間の新しいプロファイル,品質アノテーション,3つのマルコフモデルにおけるADの意味論的解釈,アクティビティ図からPRISM言語への変換ルールのセットなど,ADの総合的な検証フレームワークを提案する。 最も重要なことは、モデルをベースとした手法を用いて、完全自動検証のための変換アルゴリズムを開発し、QASCADと呼ばれるツールで実装したことです。
  論文  参考訳（メタデータ） (2024-02-29T22:40:39Z)
• Like an Open Book? Read Neural Network Architecture with Simple Power Analysis on 32-bit Microcontrollers [0.0]
  ニューラルネットワークモデルのアーキテクチャは、敵が回復しようとする最も重要な情報である。 高速32ビットマイクロコントローラ上で動作する従来のCNNモデルとCNNモデルの抽出手法を初めて提案する。 難しいケースは少ないが、パラメータ抽出とは対照的に、攻撃の複雑さは比較的低い、と我々は主張する。
  論文  参考訳（メタデータ） (2023-11-02T15:55:20Z)
• ProtoExplorer: Interpretable Forensic Analysis of Deepfake Videos using Prototype Exploration and Refinement [11.182863992851622]
  ProtoExplorerは、プロトタイプベースのディープフェイク検出モデルの探索と改善のためのVisual Analyticsシステムである。 ビデオデータを扱う際にプロトタイプベースの予測を視覚化し、時間的にフィルタリングするツールを提供する。 システムは法医学の専門家によって設計され、オープンエンドの思考評価とインタビューに基づいて、数多くのラウンドで評価された。
  論文  参考訳（メタデータ） (2023-09-20T09:03:56Z)
• The Impact of Different Backbone Architecture on Autonomous Vehicle Dataset [120.08736654413637]
  バックボーンアーキテクチャによって抽出された特徴の質は、全体的な検出性能に大きな影響を与える可能性がある。 本研究は,KITTI,NuScenes,BDDの3つの自律走行車データセットを評価し,対象検出タスクにおける異なるバックボーンアーキテクチャの性能を比較した。
  論文  参考訳（メタデータ） (2023-09-15T17:32:15Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)
• RTMDet: An Empirical Study of Designing Real-Time Object Detectors [13.09100888887757]
  我々は、YOLO級数を超え、多くのオブジェクト認識タスクに容易に対応できる効率的なリアルタイム物体検出装置を開発した。 より良いトレーニング技術とともに、得られたオブジェクト検出器はRTMDetと呼ばれ、COCOでは52.8%AP、NVIDIA 3090 GPUでは300以上のFPSを達成している。 実験結果によって、多くの物体認識タスクのための汎用的リアルタイム物体検出器の設計に関する新たな洞察が得られればと願っている。
  論文  参考訳（メタデータ） (2022-12-14T18:50:20Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• DirectDebug: Automated Testing and Debugging of Feature Models [55.41644538483948]
  変数モデル(例えば、特徴モデル)は、ソフトウェアアーティファクトの変数と共通性を表現する一般的な方法である。 複雑でしばしば大規模な機能モデルは欠陥になりうる、すなわち、ソフトウェアアーチファクトの期待される変動特性を表現しない。
  論文  参考訳（メタデータ） (2021-02-11T11:22:20Z)
• IFC models for (semi)automating common planning checks for building permits [0.0]
  IFCモデルから必要な情報を抽出して代表規則をチェックするツールが開発された。 ケーススタディは、場所、規制、入力モデルに特化していますが、遭遇した問題のタイプは、自動コードコンプライアンスチェックの一般的な例です。
  論文  参考訳（メタデータ） (2020-11-03T15:29:47Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。