論文の概要: SRE-Llama -- Fine-Tuned Meta's Llama LLM, Federated Learning, Blockchain and NFT Enabled Site Reliability Engineering(SRE) Platform for Communication and Networking Software Services

• arxiv url: http://arxiv.org/abs/2511.08282v1
• Date: Wed, 12 Nov 2025 01:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.736404
• Title: SRE-Llama -- Fine-Tuned Meta's Llama LLM, Federated Learning, Blockchain and NFT Enabled Site Reliability Engineering(SRE) Platform for Communication and Networking Software Services
• Title（参考訳）: SRE-Llama -- 微調整メタのLlama LLM、フェデレートラーニング、ブロックチェーン、NFTによる通信およびネットワークソフトウェアサービスのためのサイト信頼性エンジニアリング(SRE)プラットフォーム
• Authors: Eranga Bandara, Safdar H. Bouk, Sachin Shetty, Ravi Mukkamala, Abdul Rahman, Peter Foytik, Ross Gore, Xueping Liang, Ng Wee Keong, Kasun De Zoysa,
• Abstract要約: Site Reliability Engineering(SRE)は、システムが信頼性を維持し、クラウドネイティブな環境でうまく機能することを目的としている。 我々は、生成AI、フェデレーションラーニング、SLO、非Fungible Tokens(NFT)によって強化されたSRE-Llamaと呼ばれる新しいSREプラットフォームを提案する。 このプラットフォームは、監視、SLI/SLO生成、アラート管理のプロセスを自動化すること、開発者のアクセシビリティと有効性を提供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）: 4.02949971825535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software services are crucial for reliable communication and networking; therefore, Site Reliability Engineering (SRE) is important to ensure these systems stay reliable and perform well in cloud-native environments. SRE leverages tools like Prometheus and Grafana to monitor system metrics, defining critical Service Level Indicators (SLIs) and Service Level Objectives (SLOs) for maintaining high service standards. However, a significant challenge arises as many developers often lack in-depth understanding of these tools and the intricacies involved in defining appropriate SLIs and SLOs. To bridge this gap, we propose a novel SRE platform, called SRE-Llama, enhanced by Generative-AI, Federated Learning, Blockchain, and Non-Fungible Tokens (NFTs). This platform aims to automate and simplify the process of monitoring, SLI/SLO generation, and alert management, offering ease in accessibility and efficy for developers. The system operates by capturing metrics from cloud-native services and storing them in a time-series database, like Prometheus and Mimir. Utilizing this stored data, our platform employs Federated Learning models to identify the most relevant and impactful SLI metrics for different services and SLOs, addressing concerns around data privacy. Subsequently, fine-tuned Meta's Llama-3 LLM is adopted to intelligently generate SLIs, SLOs, error budgets, and associated alerting mechanisms based on these identified SLI metrics. A unique aspect of our platform is the encoding of generated SLIs and SLOs as NFT objects, which are then stored on a Blockchain. This feature provides immutable record-keeping and facilitates easy verification and auditing of the SRE metrics and objectives. The automation of the proposed platform is governed by the blockchain smart contracts. The proposed SRE-Llama platform prototype has been implemented with a use case featuring a customized Open5GS 5G Core.
• Abstract（参考訳）: そのため、SRE(Site Reliability Engineering)は、これらのシステムがクラウドネイティブ環境での信頼性とパフォーマンスを保証するために重要です。 SREはPrometheusやGrafanaといったツールを活用してシステムメトリクスを監視し、高いサービス標準を維持するために重要なサービスレベルインジケータ(SLI)とサービスレベルオブジェクト(SLO)を定義します。 しかし、多くの開発者がこれらのツールの深い理解と適切なSLIとSLOを定義するのにまつわる複雑さを欠いているため、大きな課題が生じる。 このギャップを埋めるために、生成AI、フェデレートラーニング、ブロックチェーン、非Fungible Tokens(NFT)によって強化されたSRE-Llamaと呼ばれる新しいSREプラットフォームを提案する。 このプラットフォームは、監視、SLI/SLO生成、アラート管理のプロセスを自動化すること、開発者のアクセシビリティと有効性を提供することを目的としている。 このシステムは、クラウドネイティブなサービスからメトリクスをキャプチャして、PrometheusやMimirなどの時系列データベースに保存する。 このストアドデータを利用することで、当社のプラットフォームはフェデレートラーニングモデルを使用して、さまざまなサービスやSLOに関する最も関連性の高いSLIメトリクスを特定し、データのプライバシに関する懸念に対処します。 その後、細調整されたMetaのLlama-3 LLMが採用され、SLI、SLO、エラー予算、および関連する警告メカニズムを識別されたSLIメトリクスに基づいてインテリジェントに生成する。 私たちのプラットフォームのユニークな側面は、生成されたSLIとSLOをNFTオブジェクトとしてエンコードし、それをBlockchainに格納することです。 この機能は不変なレコード管理を提供し、SREメトリクスと目的の検証と監査を容易にする。 提案されたプラットフォームの自動化は、ブロックチェーンスマートコントラクトによって管理される。 提案されたSRE-Llamaプラットフォームプロトタイプは、カスタマイズされたOpen5GS 5G Coreを備えたユースケースで実装されている。

関連論文リスト

• Federated Learning-Enabled Hybrid Language Models for Communication-Efficient Token Transmission [87.68447072141402]
  ハイブリッド言語モデル(HLM)は、エッジデバイス上でのSLM(Small Language Model)の低レイテンシ効率と、集中型サーバ上でのLLM(Large Language Model)の高精度を組み合わせたものである。 我々は、不確実性を考慮した推論とフェデレートラーニング(FL)を統合する通信効率の高いHLMフレームワークであるFedHLMを提案する。
  論文  参考訳（メタデータ） (2025-06-30T02:56:11Z)
• LLM Applications: Current Paradigms and the Next Frontier [8.214897650566494]
  大規模言語モデル(LLM)の開発は、4つの主要なアプリケーションパラダイムを生み出した。 それぞれにメリットはあるが、共通の課題も共有している。 本稿では、これらのパラダイムをレビューし、分析し、アーキテクチャ設計、アプリケーションエコシステム、研究の進展、そして彼らが直面する課題とオープンな問題について述べる。
  論文  参考訳（メタデータ） (2025-03-06T16:38:23Z)
• GPIoT: Tailoring Small Language Models for IoT Program Synthesis and Development [15.109121724888382]
  GPIoTは、ローカルにデプロイ可能なSLM(Small Language Models)を微調整することで、IoTアプリケーションのためのコード生成システムである。 GPIoTは、IoT専用データセット上にローカルにデプロイ可能なSLM(Small Language Models)を微調整することで、IoTアプリケーションのためのコード生成システムである。
  論文  参考訳（メタデータ） (2025-03-02T01:55:40Z)
• A Multi-Agent Framework for Automated Vulnerability Detection and Repair in Solidity and Move Smart Contracts [4.3764649156831235]
  本稿では,Large Language Models(LLMs)を利用したスマートコントラクトの脆弱性を自動的に検出し,修復する新しいマルチエージェントフレームワークであるSmartifyを提案する。 Smartifyでは、プログラムの概念や言語固有のセキュリティ原則に基づいてコードを分析するために、さまざまな微調整のLLMに取り組んでいる専門エージェントのチームが採用されている。 以上の結果から,Smartifyは従来のLLMを超越し,Llama 3.1のような汎用モデルの能力向上を実現している。
  論文  参考訳（メタデータ） (2025-02-22T20:30:47Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Efficient Prompting for LLM-based Generative Internet of Things [88.84327500311464]
  大規模言語モデル(LLM)は、様々なタスクにおいて顕著な能力を示しており、最近、IoT(Internet of Things)アプリケーションにLLMの能力を統合することが研究の注目を集めている。 セキュリティ上の懸念から、多くの機関は最先端の商用LLMサービスへのアクセスを避け、ローカルネットワーク環境でのオープンソースLLMのデプロイと利用を必要としている。 本研究では,LLMを用いた生成IoT(Generative IoT)システムを提案する。
  論文  参考訳（メタデータ） (2024-06-14T19:24:00Z)
• Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications [6.042202852003457]
  Federated Learning(FL)は、堅牢な機械学習(ML)モデルを開発するためのテクニックである。 ユーザのプライバシを保護するため、FLでは、大量の生データや潜在的機密データを送信するのではなく、モデル更新を送信する必要がある。 このサーベイは、最新のFLアルゴリズムの包括的な分析と比較を提供する。
  論文  参考訳（メタデータ） (2023-10-08T19:54:26Z)

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。