論文の概要: DBAIOps: A Reasoning LLM-Enhanced Database Operation and Maintenance System using Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2508.01136v1
• Date: Sat, 02 Aug 2025 01:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.726879
• Title: DBAIOps: A Reasoning LLM-Enhanced Database Operation and Maintenance System using Knowledge Graphs
• Title（参考訳）: DBAIOps:知識グラフを用いたLLM強化データベース運用とメンテナンスシステム
• Authors: Wei Zhou, Peng Sun, Xuanhe Zhou, Qianglei Zang, Ji Xu, Tieying Zhang, Guoliang Li, Fan Wu,
• Abstract要約: 商用製品を含む既存のデータベースO&Mメソッドは、専門家の経験を効果的に活用できない。 本稿では,DBAIOpsを提案する。DBAIOpsは,推論と知識グラフを組み合わせてDBBAスタイルの診断を行うハイブリッドデータベースO&Mシステムである。
• 参考スコア（独自算出の注目度）: 25.16965474653075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The operation and maintenance (O&M) of database systems is critical to ensuring system availability and performance, typically requiring expert experience (e.g., identifying metric-to-anomaly relations) for effective diagnosis and recovery. However, existing automatic database O&M methods, including commercial products, cannot effectively utilize expert experience. On the one hand, rule-based methods only support basic O&M tasks (e.g., metric-based anomaly detection), which are mostly numerical equations and cannot effectively incorporate literal O&M experience (e.g., troubleshooting guidance in manuals). On the other hand, LLM-based methods, which retrieve fragmented information (e.g., standard documents + RAG), often generate inaccurate or generic results. To address these limitations, we present DBAIOps, a novel hybrid database O&M system that combines reasoning LLMs with knowledge graphs to achieve DBA-style diagnosis. First, DBAIOps introduces a heterogeneous graph model for representing the diagnosis experience, and proposes a semi-automatic graph construction algorithm to build that graph from thousands of documents. Second, DBAIOps develops a collection of (800+) reusable anomaly models that identify both directly alerted metrics and implicitly correlated experience and metrics. Third, for each anomaly, DBAIOps proposes a two-stage graph evolution mechanism to explore relevant diagnosis paths and identify missing relations automatically. It then leverages a reasoning LLM (e.g., DeepSeek-R1) to infer root causes and generate clear diagnosis reports for both DBAs and common users. Our evaluation over four mainstream database systems (Oracle, MySQL, PostgreSQL, and DM8) demonstrates that DBAIOps outperforms state-of-the-art baselines, 34.85% and 47.22% higher in root cause and human evaluation accuracy, respectively.
• Abstract（参考訳）: データベースシステムの運用とメンテナンス(O&M)は、システム可用性と性能を確保するために重要であり、診断と回復に専門家の経験(例:メトリック・ツー・アノマリー関係の特定)を必要とする。 しかし、商用製品を含む既存の自動データベースO&M手法は、専門家の経験を効果的に活用できない。 一方、ルールベースの手法は基本的なO&Mタスク(例えば、メートル法に基づく異常検出)のみをサポートし、これは主に数値方程式であり、リテラルなO&M体験(例えば、マニュアルのトラブルシューティングガイダンス)を効果的に組み込むことができない。 一方、断片化された情報(例:標準文書+RAG)を検索するLCMベースの手法では、しばしば不正確な結果や一般的な結果を生成する。 これらの制約に対処するため、DBAIOpsは、推論LLMと知識グラフを組み合わせたDBAIOpsという、新しいハイブリッドデータベースO&Mシステムを提案する。 まず、DBAIOpsは、診断経験を表現するための異種グラフモデルを導入し、数千のドキュメントからグラフを構築するための半自動グラフ構築アルゴリズムを提案する。 次に、DBAIOpsは(800以上の)再利用可能な異常モデルのコレクションを開発し、直接アラートされたメトリクスと暗黙的に相関したエクスペリエンスとメトリクスの両方を識別する。 第3に、各異常に対して、DBAIOpsは関連する診断経路を探索し、行方不明な関係を自動的に識別する2段階のグラフ進化機構を提案する。 次に、LLM(例:DeepSeek-R1)を使って根本原因を推測し、DBAと一般ユーザの両方に対して明確な診断レポートを生成する。 主要な4つのデータベースシステム(Oracle、MySQL、PostgreSQL、DM8)に対する我々の評価は、DBAIOpsがそれぞれ、根本原因と人的評価精度において34.85%、47.22%、最先端のベースラインを上回っていることを示している。

関連論文リスト

• Leveraging Knowledge Graphs and LLM Reasoning to Identify Operational Bottlenecks for Warehouse Planning Assistance [1.2749527861829046]
  我々のフレームワークは知識グラフ(KG)とLarge Language Model(LLM)ベースのエージェントを統合している。 生のDESデータを意味的にリッチなKGに変換し、シミュレーションイベントとエンティティの関係をキャプチャする。 LLMベースのエージェントは反復推論を使用し、相互依存的なサブクエストを生成する。各サブクエストに対して、KGインタラクションのためのCypherクエリを生成し、情報を抽出し、エラーを修正する。
  論文  参考訳（メタデータ） (2025-07-23T07:18:55Z)
• Toward Understanding Bugs in Vector Database Management Systems [11.916195480211648]
  ベクトルデータベース管理システム(VDBMS)は,多様なデータソースからの高次元埋め込みのセマンティックな類似性検索を容易にする上で,重要な役割を担っている。 従来のデータベース信頼性モデルは、データ表現、クエリ機構、システムアーキテクチャに根本的な違いがあるため、VDBMSに直接適用することはできない。 我々は15のオープンソースVDBMSから1,671件のバグ修正プルリクエストを手動で分析し、症状、根本原因、開発者修正戦略に基づいたバグの包括的な分類法を開発した。
  論文  参考訳（メタデータ） (2025-06-03T08:34:01Z)
• Complex System Diagnostics Using a Knowledge Graph-Informed and Large Language Model-Enhanced Framework [0.0]
  知識グラフ(KG)と大規模言語モデル(LLM)を統合する新しい診断フレームワークを提案する。 本稿では,動的マスター論理(DML)モデルの機能的モデリング原理を基礎とした診断フレームワークを提案する。 補助給水システムに関するケーススタディでは、キー要素の90%以上の精度と一貫したツールと引数抽出により、フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-27T14:54:49Z)
• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• D-Bot: Database Diagnosis System using Large Language Models [30.20192093986365]
  データベース管理者(DBA)は、データベースシステムの管理、保守、最適化において重要な役割を果たす。 近年の大規模言語モデル (LLM) は様々な分野で大きな可能性を示している。 診断文書から知識を自動取得するLLMベースのデータベース診断システムであるD-Botを提案する。
  論文  参考訳（メタデータ） (2023-12-03T16:58:10Z)
• A Deep Instance Generative Framework for MILP Solvers Under Limited Data Availability [66.37474135424637]
  我々は、MILPインスタンスのための最初の深層生成フレームワークであるG2MILPを提案する。 G2MILPはMILPインスタンスを二部グラフとして表現し、マスク付き変分オートエンコーダを元のグラフの一部を反復的に破損させ、置き換えて新しいグラフを生成する。 生成されたMILPインスタンスの品質を評価するためのベンチマークスイートを設計する。
  論文  参考訳（メタデータ） (2023-10-04T13:34:34Z)
• LLM As DBA [25.92711955279298]
  大規模言語モデル(LLM)は、価値あるドキュメントを理解し、合理的な回答を生成する大きな可能性を示している。 本稿では,文書やツールからのデータベース保守知識の検出,根本原因分析のための思考のツリー,および (iii)複数のLCM間の協調診断を含む,データベース保守のための革命的LLM中心のフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T10:12:43Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)

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。