論文の概要: Automated Cloud Infrastructure-as-Code Reconciliation with AI Agents

• arxiv url: http://arxiv.org/abs/2510.20211v1
• Date: Thu, 23 Oct 2025 04:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.340137
• Title: Automated Cloud Infrastructure-as-Code Reconciliation with AI Agents
• Title（参考訳）: AIエージェントによるクラウドインフラストラクチャ・アズ・コード統合の自動化
• Authors: Zhenning Yang, Hui Guan, Victor Nicolet, Brandon Paulsen, Joey Dodds, Daniel Kroening, Ang Chen,
• Abstract要約: NSyncは、IaCプログラムへの帯域外変更を伝達するIaC和解のための自動化システムである。 NSyncはAPIトレースからの洞察を抽出してドリフトを検出する(つまり、非IaCの変更)。
• 参考スコア（独自算出の注目度）: 8.4355888644149
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cloud infrastructure is managed through a mix of interfaces -- traditionally, cloud consoles, command-line interfaces (CLI), and SDKs are the tools of choice. Recently, Infrastructure-as-Code/IaC frameworks (e.g., Terraform) have quickly gained popularity. Unlike conventional tools, IaC~frameworks encode the infrastructure in a "source-of-truth" configuration. They are capable of automatically carrying out modifications to the cloud -- deploying, updating, or destroying resources -- to bring the actual infrastructure into alignment with the IaC configuration. However, when IaC is used alongside consoles, CLIs, or SDKs, it loses visibility into external changes, causing infrastructure drift, where the configuration becomes outdated, and later IaC operations may undo valid updates or trigger errors. We present NSync, an automated system for IaC reconciliation that propagates out-of-band changes back into the IaC program. Our key insight is that infrastructure changes eventually all occur via cloud API invocations -- the lowest layer for cloud management operations. NSync gleans insights from API traces to detect drift (i.e., non-IaC changes) and reconcile it (i.e., update the IaC configuration to capture the changes). It employs an agentic architecture that leverages LLMs to infer high-level intents from noisy API sequences, synthesize targeted IaC updates using specialized tools, and continually improve through a self-evolving knowledge base of past reconciliations. We further introduce a novel evaluation pipeline for injecting realistic drifts into cloud infrastructure and assessing reconciliation performance. Experiments across five real-world Terraform projects and 372 drift scenarios show that NSync outperforms the baseline both in terms of accuracy (from 0.71 to 0.97 pass@3) and token efficiency (1.47$\times$ improvement).
• Abstract（参考訳）: 従来、クラウドコンソール、コマンドラインインターフェース(CLI)、SDKが選択可能なツールでした。 近年、Infrastructure-as-Code/IaCフレームワーク(Terraformなど)が急速に人気を集めている。 従来のツールとは異なり、IaC~frameworksはインフラストラクチャを"真実のソース"構成でエンコードする。 クラウドへの修正 -- リソースのデプロイ、更新、破棄 -- を自動的に実行して、実際のインフラストラクチャをIaC構成に適合させることができます。 しかし、コンソール、CLI、SDKと一緒にIaCを使用すると、外部の変更の可視性が失われ、インフラストラクチャのドリフトが発生する。 我々は、IaCプログラムに帯域外変更を伝達するIaC調停自動化システムであるNSyncを提案する。 私たちの重要な洞察は、最終的にはインフラストラクチャの変更はすべて、クラウド管理操作の最も低いレイヤであるクラウドAPI呼び出しを通じて発生します。 NSyncはAPIトレースからの洞察を抽出して、ドリフト(つまり、非IaCの変更)を検出して、それを再構築する(つまり、IaC設定を更新して変更をキャプチャする)。 LLMを利用してノイズの多いAPIシーケンスから高レベルのインテントを推測し、特殊なツールを使用してターゲットIaC更新を合成し、過去の和解の自己進化的知識ベースを通じて継続的に改善するエージェントアーキテクチャを採用している。 さらに,クラウドインフラに現実的なドリフトを注入し,和解性能を評価するための新たな評価パイプラインを導入する。 5つの現実世界のTerraformプロジェクトと372のドリフトシナリオの実験によると、NSyncは精度(0.71から0.97 pass@3)とトークン効率(1.47$\times$ Improvement)の両方でベースラインを上回っている。

関連論文リスト

• Multi-IaC-Eval: Benchmarking Cloud Infrastructure as Code Across Multiple Formats [12.813627159588032]
  LLM(Large Language Models)に基づくIaC生成と突然変異を評価するための新しいベンチマークデータセットであるMulti-IaC-Benchを提案する。 データセットは、初期IaCテンプレート、自然言語修正要求、およびそれに対応する更新テンプレートを含む三つ組で構成されている。 我々は,Multi-IaC-Bench 上での最先端 LLM の評価を行い,現代 LLM は構文的に有効な IaC の生成において高い成功率 (>95%) を達成できるが,意味的アライメントや複雑なインフラストラクチャパターンの処理には大きな課題が残っていることを示した。
  論文  参考訳（メタデータ） (2025-08-21T22:37:18Z)
• Cloud Infrastructure Management in the Age of AI Agents [8.243598669679354]
  クラウドインフラストラクチャ管理タスクを自動化するために,大規模言語モデル(LLM)を利用したAIエージェントの開発を事例とする。 予備研究では、AIエージェントが異なるクラウド/ユーザインターフェースを使用する可能性について検討する。 本報告では, 異なる管理課題におけるそれらの有効性について報告し, 研究課題と潜在的な解決策を同定する。
  論文  参考訳（メタデータ） (2025-06-13T22:50:12Z)
• SacFL: Self-Adaptive Federated Continual Learning for Resource-Constrained End Devices [38.27552394580526]
  継続的変更やデータドリフトを特徴とするデータの動的性質は、デバイス上での機械学習モデルに重大な課題を提起する。 継続的学習に対する従来の集中型アプローチは、プライバシやデータボリュームの懸念から、エンドデバイスには適さない。 FCLは有望なソリューションとして登場し、ユーザデータをローカルに保存し、コラボレーティブアップデートによるモデル拡張を行う。
  論文  参考訳（メタデータ） (2025-05-01T07:26:35Z)
• MSCN: Multi-view Structural Convolution Network for Domain-Invariant Point Cloud Recognition of Autonomous Vehicles [1.7616042687330637]
  マルチビュー構造畳み込みネットワーク(MSCN)はドメイン不変の認識を実現するために設計された新しいアーキテクチャである。 MSCNは、すべてのドメイン変更シナリオにおいて、最先端のクラウド分類方法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-01-27T18:25:35Z)
• Rendering-Oriented 3D Point Cloud Attribute Compression using Sparse Tensor-based Transformer [52.40992954884257]
  3D視覚化技術は、私たちがデジタルコンテンツと対話する方法を根本的に変えてきた。 ポイントクラウドの大規模データサイズは、データ圧縮において大きな課題を呈している。 そこで我々はPCACと差別化可能なレンダリングをシームレスに統合するエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T16:12:51Z)
• Statically Inferring Usage Bounds for Infrastructure as Code [0.9886108751871757]
  インフラストラクチャ・アズ・コード(IaC)は、クラウドにプロビジョニングされたリソースの複雑なデプロイメントの作成と修正において、クラウド顧客がよりアジリティを持つことを可能にする。 本稿では,IaCデプロイメントにおけるリソース間相互作用を制約の集合としてモデル化し,詳細な静的利用分析を行うツールを提案する。
  論文  参考訳（メタデータ） (2024-02-23T22:27:56Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Towards Lifelong Learning of End-to-end ASR [81.15661413476221]
  lifelong learningは、マシンが新しいデータセットから新しいタスクをシーケンシャルに学習できるようにすることを目的としている。 WERの28.7%の相対的な減少は、3つの非常に異なるベンチマークコーポラを順次学習する場合の微調整ベースラインと比較して達成された。
  論文  参考訳（メタデータ） (2021-04-04T13:48:53Z)
• LC-NAS: Latency Constrained Neural Architecture Search for Point Cloud Networks [73.78551758828294]
  LC-NASは、最小計算コストでポイントクラウド分類のための最先端アーキテクチャを見つけることができる。 検索したアーキテクチャが、適度に低い精度で、望ましいレイテンシを実現する方法を示します。
  論文  参考訳（メタデータ） (2020-08-24T10:30:21Z)

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。