論文の概要: FastFI: Enhancing API Call-Site Robustness in Microservice-Based Systems with Fault Injection

• arxiv url: http://arxiv.org/abs/2601.14800v1
• Date: Wed, 21 Jan 2026 09:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.314497
• Title: FastFI: Enhancing API Call-Site Robustness in Microservice-Based Systems with Fault Injection
• Title（参考訳）: FastFI: 障害注入を伴うマイクロサービスベースのシステムにおけるAPIコールサイトロバストネスの強化
• Authors: Yuzhen Tan, Jian Wang, Shuaiyu Xie, Bing Li, Yunqing Yong, Neng Zhang, Shaolin Tan,
• Abstract要約: フォールトインジェクションはソフトウェアの信頼性を評価するための重要なテクニックであり、システムの欠陥を積極的に検出することを可能にする。 FastFIは、マイクロサービスベースのシステムにおけるAPIコールサイトの堅牢性を高めるための、フォールトインジェクション誘導フレームワークである。 FastFIは、最先端のベースラインと比較して、エンドツーエンドのフォールトインジェクション時間を平均76.12%削減する。
• 参考スコア（独自算出の注目度）: 8.84679612879872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault injection is a key technique for assessing software reliability, enabling proactive detection of system defects before they manifest in production. However, the increasing complexity of microservice architectures leads to exponential growth in the fault-injection space, rendering traditional random injection inefficient. Recent lineage-driven approaches mitigate this problem through heuristic pruning, but they face two limitations. First, combinatorial-fault discovery remains bottlenecked by general-purpose SAT solvers, which fail to exploit the monotone and low-overlap structure of derived CNF formulas and typically rely on a static upper bound on fault size. Second, existing techniques provide limited post-injection guidance beyond reporting detected faults. To address these challenges, we propose FastFI, a fault-injection-guided framework to enhance the robustness of API call sites in microservice-based systems. FastFI features a DFS-based solver with dynamic fault injection to discover all valid combinatorial faults, and it leverages fault-injection results to identify critical APIs whose call sites should be hardened for robustness. Experiments on four representative microservice benchmarks show that FastFI reduces end-to-end fault-injection time by an average of 76.12\% compared to state-of-the-art baselines while maintaining acceptable resource overhead. Moreover, FastFI accurately identifies high-impact APIs and provides actionable guidance for call-site hardening.
• Abstract（参考訳）: フォールトインジェクションはソフトウェアの信頼性を評価するための重要なテクニックであり、プロダクションに現れる前にシステムの欠陥を積極的に検出することを可能にする。 しかし、マイクロサービスアーキテクチャの複雑さが増大すると、フォールトインジェクションスペースが指数関数的に増加し、従来のランダムインジェクションが非効率になる。 最近の系統駆動アプローチは、ヒューリスティックプルーニングによってこの問題を軽減するが、2つの制限に直面している。 第一に、コンビナトリアル・フォールト発見は、導出したCNFの公式の単調構造と低オーバーラップ構造をうまく利用できず、通常、断層の大きさの静的な上限に依存する、汎用SATソルバによってボトルネックが残されている。 第2に、既存の手法は、検出された欠陥を報告する以外に、限定的なインジェクション後のガイダンスを提供する。 これらの課題に対処するため、マイクロサービスベースのシステムにおけるAPIコールサイトの堅牢性を高めるために、フォールトインジェクション誘導フレームワークであるFastFIを提案する。 FastFIは、動的フォールトインジェクションを備えたDFSベースのソルバを備え、すべての有効な組み合わせ障害を発見し、フォールトインジェクション結果を活用して、コールサイトを堅牢性のために強化すべき重要なAPIを特定する。 4つの代表的なマイクロサービスベンチマークの実験によると、FastFIは許容されるリソースオーバーヘッドを維持しながら、最先端のベースラインと比較して、エンドツーエンドのフォールトインジェクション時間を平均76.12\%削減している。 さらにFastFIは、ハイインパクトAPIを正確に識別し、コールサイト硬化のための実用的なガイダンスを提供する。

関連論文リスト

• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism [19.31110304702373]
  SpecRCAは、thithypothesize-then-verifyパラダイムを採用した投機的根本原因分析フレームワークである。 AIOps 2022に関する予備的な実験では、既存のアプローチよりも精度と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2026-01-06T05:58:25Z)
• HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
  HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。 局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。 既存の手法の精度、F1スコア、精度を著しく上回っている。
  論文  参考訳（メタデータ） (2025-11-06T16:15:19Z)
• Revisiting Vulnerability Patch Localization: An Empirical Study and LLM-Based Solution [44.388332647211776]
  オープンソースのソフトウェア脆弱性検出は、ソフトウェアのセキュリティを維持し、ソフトウェアサプライチェーンの整合性を確保するための重要なコンポーネントである。 従来の検出方法は、大量のコミット履歴を処理する際に、大きなスケーラビリティの課題に直面している。 バージョン駆動型候補フィルタリングと大規模言語モデルに基づく多ラウンド対話投票を組み合わせた新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-19T09:09:55Z)
• AI Agentic Vulnerability Injection And Transformation with Optimized Reasoning [2.918225266151982]
  AVIATORはAIによる最初の脆弱性注入ワークフローである。 高忠実で多様な大規模な脆弱性データセット生成のために、現実的でカテゴリ固有の脆弱性を自動的に注入する。 セマンティック分析、LoRAベースのファインチューニングとRetrieval-Augmented Generationで強化されたインジェクション合成、静的解析とLLMベースの識別器によるインジェクション後の検証を組み合わせる。
  論文  参考訳（メタデータ） (2025-08-28T14:59:39Z)
• Particle swarm optimization for online sparse streaming feature selection under uncertainty [2.03725086642376]
  高次元ストリーミングデータを含む実世界のアプリケーションでは、オンラインストリーミング機能選択(OSFS)が広く採用されている。 本研究は、パーティクルスワム最適化(PSO)により強化されたPOS2FS-不確実性を考慮したオンラインスパースストリーミング特徴選択フレームワークを提案する。 1)PSOによる特徴ラベル関係の不確実性低減,2)教師付き学習における特徴ファジネス管理のための3方向決定理論の導入。
  論文  参考訳（メタデータ） (2025-08-24T07:56:41Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• FedRFQ: Prototype-Based Federated Learning with Reduced Redundancy, Minimal Failure, and Enhanced Quality [41.88338945821504]
  FedRFQはプロトタイプベースのフェデレーション学習アプローチであり、冗長性を低減し、失敗を最小限に抑え、下位品質を改善することを目的としている。 本稿では,BFT (Byzantine Fault Tolerance) 検出可能な集約アルゴリズムであるBFT-detectを導入する。
  論文  参考訳（メタデータ） (2024-01-15T09:50:27Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)

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。