論文の概要: LLM-Powered Fully Automated Chaos Engineering: Towards Enabling Anyone to Build Resilient Software Systems at Low Cost

• arxiv url: http://arxiv.org/abs/2511.07865v1
• Date: Wed, 12 Nov 2025 01:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.512103
• Title: LLM-Powered Fully Automated Chaos Engineering: Towards Enabling Anyone to Build Resilient Software Systems at Low Cost
• Title（参考訳）: LLM駆動の完全自動カオスエンジニアリング - 誰もが低コストでレジリエントなソフトウェアシステムを構築するために
• Authors: Daisuke Kikuta, Hiroki Ikeuchi, Kengo Tajiri,
• 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ことを目的としたエンジニアリング技術である。 本稿では,大規模言語モデル(LLM)を用いたCEサイクル全体を自動化したChaosEaterを提案する。 結果は、時間と金銭のコストが著しく低い、合理的なCEサイクルを一貫して完了していることを示します。
• 参考スコア（独自算出の注目度）: 3.9571744700171756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chaos Engineering (CE) is an engineering technique aimed at improving the resilience of distributed systems. It involves intentionally injecting faults into a system to test its resilience, uncover weaknesses, and address them before they cause failures in production. Recent CE tools automate the execution of predefined CE experiments. However, planning such experiments and improving the system based on the experimental results still remain manual. These processes are labor-intensive and require multi-domain expertise. To address these challenges and enable anyone to build resilient systems at low cost, this paper proposes ChaosEater, a system that automates the entire CE cycle with Large Language Models (LLMs). It predefines an agentic workflow according to a systematic CE cycle and assigns subdivided processes within the workflow to LLMs. ChaosEater targets CE for software systems built on Kubernetes. Therefore, the LLMs in ChaosEater complete CE cycles through software engineering tasks, including requirement definition, code generation, testing, and debugging. We evaluate ChaosEater through case studies on small- and large-scale Kubernetes systems. The results demonstrate that it consistently completes reasonable CE cycles with significantly low time and monetary costs. Its cycles are also qualitatively validated by human engineers and LLMs.
• 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ことを目的としたエンジニアリング技術である。 システムに障害を意図的に注入してレジリエンスをテストし、弱点を明らかにし、本番環境で障害を起こす前に対処する。 最近のCEツールは、事前定義されたCE実験の実行を自動化する。 しかし、このような実験を計画し、実験結果に基づいてシステムを改善することは、まだ手作業のままである。 これらのプロセスは労働集約的であり、多分野の専門知識を必要とする。 これらの課題に対処し、誰でも低コストでレジリエントなシステムを構築することができるようにするために、大規模言語モデル(LLM)によるCEサイクル全体を自動化したシステムChaosEaterを提案する。 組織的なCEサイクルに従ってエージェントワークフローを事前定義し、ワークフロー内の細分化されたプロセスをLSMに割り当てる。 ChaosEaterは、Kubernetes上に構築されたソフトウェアシステムのCEをターゲットにしている。 したがって、ChaosEaterのLLMは、要件定義、コード生成、テスト、デバッグを含むソフトウェアエンジニアリングタスクを通じてCEサイクルを完了します。 小規模および大規模Kubernetesシステムのケーススタディを通じてChaosEaterを評価した。 結果は、時間と金銭のコストが著しく低い、合理的なCEサイクルを一貫して完了していることを示します。 また、そのサイクルは人間の技術者やLLMによって定性的に検証されている。

関連論文リスト

• Rethinking Technology Stack Selection with AI Coding Proficiency [49.617080246389605]
  大規模言語モデル(LLM)は今やソフトウェア開発の不可欠な部分です。 我々は、LLMが与えられた技術を用いて高品質なコードスニペットを生成することができる、AI符号化能力という概念を提案する。 我々は,170のサードパーティ製ライブラリと61のタスクシナリオを対象とした,AI習熟度に関する初の総合的研究を行った。
  論文  参考訳（メタデータ） (2025-09-14T06:56:47Z)
• BitsAI-Fix: LLM-Driven Approach for Automated Lint Error Resolution in Practice [11.767390004985979]
  BitsAI-FixはLarge Language Models (LLM)に基づく自動リントエラー修復ワークフローである。 ByteDanceのプロダクションデプロイメントでは、5,000人以上のエンジニアをサポートし、12,000以上の静的解析問題を解決し、約85%の修正精度を達成し、毎週1,000人のアクティブアダプターが参加しています。
  論文  参考訳（メタデータ） (2025-08-05T14:17:30Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• ChaosEater: Fully Automating Chaos Engineering with Large Language Models [1.7034420812099471]
  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。 手動操作のコストを削減するため,CE操作全体を自動化したChaosEaterを提案する。
  論文  参考訳（メタデータ） (2025-01-19T16:35:09Z)
• LABIIUM: AI-Enhanced Zero-configuration Measurement Automation System [0.0]
  本稿では,実験の合理化とユーザの生産性向上を目的としたAIによる計測自動化システムであるLABIiumを紹介する。 Lab-Automation-Measurement Bridges (LAMBs)はVSCodeやPythonといった標準ツールを使ったシームレスなインスツルメンタ接続を可能にし、セットアップのオーバーヘッドをなくす。 この評価は、LABIiumが研究室の生産性を高め、研究と産業におけるデジタルトランスフォーメーションを支援する能力を強調している。
  論文  参考訳（メタデータ） (2024-12-07T00:15:24Z)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)
• 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。