論文の概要: Agentic Diagnostic Reasoning over Telecom and Datacenter Infrastructure
- arxiv url: http://arxiv.org/abs/2601.07342v1
- Date: Mon, 12 Jan 2026 09:13:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.305154
- Title: Agentic Diagnostic Reasoning over Telecom and Datacenter Infrastructure
- Title（参考訳）: テレコムとデータセンターインフラを利用したエージェント診断
- Authors: Nicolas Tacheny,
- Abstract要約: 根本原因分析のためのエージェント診断フレームワークを提案する。
アプリケーションに因果ロジックを埋め込む代わりに、エージェントはインフラストラクチャモデルを自律的にナビゲートする。
この研究は、自律的な変化による影響緩和の基礎を築いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale telecom and datacenter infrastructures rely on multi-layered service and resource models, where failures propagate across physical and logical components and affect multiple customers. Traditional approaches to root cause analysis(RCA) rely on hard-coded graph traversal algorithms or rule-based correlation engines, which are costly to maintain and tightly coupled to the infrastructure model. In this work, we introduce an agentic diagnostic framework where a Large Language Model (LLM) performs step-wise investigation using a constrained tool space exposed through the Model Context Protocol (MCP). Instead of embedding causal logic or traversal algorithms into the application, the agent autonomously navigates the infrastructure model by invoking tools for service lookup, dependency retrieval, structured and unstructured data, and event analysis, and impact discovery. We define an investigation protocol that structures the agent's reasoning and ensures grounding, reproducibility, and safe handling of missing or ambiguous information. This work lays the foundation for autonomous incident resolution and change impact mitigation. Future systems will not only diagnose and remediate infrastructure failures, but also predict the impact of planned changes on services and customers, enabling operators to mitigate risks before executing maintenance operations.
- Abstract（参考訳）: 大規模なテレコムとデータセンタのインフラストラクチャは、物理的および論理的コンポーネント間で障害が伝播し、複数の顧客に影響を与える、多層サービスとリソースモデルに依存している。
ルート原因分析(RCA)への従来のアプローチは、ハードコードされたグラフトラバーサルアルゴリズムやルールベースの相関エンジンに依存しており、インフラモデルに保守と密結合にコストがかかる。
本研究では,大規模言語モデル (LLM) がモデルコンテキストプロトコル (MCP) を通じて公開された制約付きツール空間を用いて段階的に調査を行うエージェント診断フレームワークを提案する。
因果論理やトラバースアルゴリズムをアプリケーションに埋め込む代わりに、エージェントは、サービスルックアップ、依存性検索、構造化および非構造化データ、イベント分析、影響発見のためのツールを呼び出すことで、インフラストラクチャモデルを自律的にナビゲートする。
我々は,エージェントの推論を構造化し,不明確あるいは曖昧な情報の基盤化,再現性,安全な処理を確保するための調査プロトコルを定義する。
この研究は、自律的なインシデント解決と変更の影響軽減の基礎を築いた。
将来のシステムは、インフラストラクチャの障害を診断し、改善するだけでなく、サービスや顧客に対する計画的な変更の影響を予測する。
関連論文リスト
- Adapting, Fast and Slow: Transportable Circuits for Few-Shot Learning [54.930879235929204]
ドメイン全体の一般化は、目に見えないターゲットドメイン w.r.t を制約する構造を主張しなければ不可能である。
我々は、定性的なドメイン知識へのアクセスに依存するゼロショット合成一般化のためのアルゴリズムを設計する。
我々の理論的結果は、グラフィカル回路の可搬性基準の観点から、数発の学習可能なタスクのクラスを特徴づける。
論文 参考訳（メタデータ） (2025-12-28T04:38:43Z) - AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。
エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
論文 参考訳（メタデータ） (2025-10-06T23:20:49Z) - I2I-STRADA -- Information to Insights via Structured Reasoning Agent for Data Analysis [0.0]
現実世界のデータ分析には一貫した認知ワークフローが必要です。
この推論プロセスの形式化を目的としたエージェントアーキテクチャであるI2I-STRADAを紹介する。
論文 参考訳（メタデータ） (2025-07-23T18:58:42Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - Causal AI-based Root Cause Identification: Research to Practice at Scale [2.455633941531165]
我々は,相関関係に対する因果関係を強調する新しい因果関係に基づくルート因果同定(RCI)アルゴリズムを開発した。
本稿では、Instanaの高度な故障診断機能を強調し、RCIアルゴリズムの理論的基盤と実践的実装について論じる。
論文 参考訳（メタデータ） (2025-02-25T14:20:33Z) - Federated Granger Causality Learning for Interdependent Clients with State Space Representation [0.6499759302108926]
我々は、グランガー因果関係を学習するための連合的なアプローチを開発する。
本稿では,サーバが学習したGranger因果関係情報を用いてクライアントモデルを拡張することを提案する。
また、フレームワークの集中的なオラクルモデルへの収束について研究する。
論文 参考訳（メタデータ） (2025-01-23T18:04:21Z) - 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) - Mining Root Cause Knowledge from Cloud Service Incident Investigations
for AIOps [71.12026848664753]
サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。
本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
論文 参考訳（メタデータ） (2022-04-21T02:33:34Z)
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。