論文の概要: Cognitive Platform Engineering for Autonomous Cloud Operations

• arxiv url: http://arxiv.org/abs/2601.17542v1
• Date: Sat, 24 Jan 2026 18:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.913331
• Title: Cognitive Platform Engineering for Autonomous Cloud Operations
• Title（参考訳）: 自律クラウド運用のための認知プラットフォームエンジニアリング
• Authors: Vinoth Punniyamoorthy, Nitin Saksena, Srivenkateswara Reddy Sankiti, Nachiappan Chockalingam, Aswathnarayan Muthukrishnan Kirubakaran, Shiva Kumar Reddy Carimireddy, Durgaraman Maruthavanan,
• Abstract要約: 本稿では,センサ,推論,自律行動を直接プラットフォームライフサイクルに統合する次世代パラダイムであるCognitive Platform Engineeringを紹介する。 Terraform、Open Policy Agent、MLベースの異常検出で構築されたプロトタイプ実装では、平均時間から解決時間、リソース効率、コンプライアンスが改善されている。
• 参考スコア（独自算出の注目度）: 0.14658400971135652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern DevOps practices have accelerated software delivery through automation, CI/CD pipelines, and observability tooling,but these approaches struggle to keep pace with the scale and dynamism of cloud-native systems. As telemetry volume grows and configuration drift increases, traditional, rule-driven automation often results in reactive operations, delayed remediation, and dependency on manual expertise. This paper introduces Cognitive Platform Engineering, a next-generation paradigm that integrates sensing, reasoning, and autonomous action directly into the platform lifecycle. This paper propose a four-plane reference architecture that unifies data collection, intelligent inference, policy-driven orchestration, and human experience layers within a continuous feedback loop. A prototype implementation built with Kubernetes, Terraform, Open Policy Agent, and ML-based anomaly detection demonstrates improvements in mean time to resolution, resource efficiency, and compliance. The results show that embedding intelligence into platform operations enables resilient, self-adjusting, and intent-aligned cloud environments. The paper concludes with research opportunities in reinforcement learning, explainable governance, and sustainable self-managing cloud ecosystems.
• Abstract（参考訳）: 現代のDevOpsプラクティスは、自動化、CI/CDパイプライン、可観測性ツールを通じたソフトウェアデリバリを加速しているが、これらのアプローチはクラウドネイティブシステムのスケールとダイナミズムのペースを維持するのに苦労している。 テレメトリのボリュームが増加し、構成のドリフトが増加するにつれて、従来のルール駆動の自動化は、しばしばリアクティブな操作、遅延修復、手作業による専門知識への依存をもたらす。 本稿では,センサ,推論,自律行動を直接プラットフォームライフサイクルに統合する次世代パラダイムであるCognitive Platform Engineeringを紹介する。 本稿では,データ収集,インテリジェント推論,ポリシ駆動オーケストレーション,ヒューマンエクスペリエンスレイヤを連続的なフィードバックループ内で統合する4面参照アーキテクチャを提案する。 Kubernetes、Terraform、Open Policy Agent、MLベースの異常検出で構築されたプロトタイプ実装では、平均時間から解決時間、リソース効率、コンプライアンスが改善されている。 その結果,プラットフォーム操作にインテリジェンスを組み込むことで,レジリエンス,自己調整,意図的なクラウド環境を実現することができた。 この論文は、強化学習、説明可能なガバナンス、持続可能な自己管理型クラウドエコシステムの研究機会で締めくくっている。

関連論文リスト

• Adaptive Cybersecurity Architecture for Digital Product Ecosystems Using Agentic AI [0.0]
  本研究では,動的学習と文脈認識型意思決定が可能な自律目標駆動エージェントを提案する。 行動ベースライン、分散リスクスコア、フェデレーションされた脅威情報共有は重要な特徴である。 このアーキテクチャは、複雑なデジタルインフラストラクチャを保護するインテリジェントでスケーラブルな青写真を提供する。
  論文  参考訳（メタデータ） (2025-09-25T00:43:53Z)
• Leveraging Large Language Model for Intelligent Log Processing and Autonomous Debugging in Cloud AI Platforms [1.819979627431298]
  本稿では,Large Language Model (LLM) に基づくインテリジェントログ処理と自動デバッグフレームワークである Intelligent Debugger (LLM-ID) を提案する。 クラウドプラットフォームログデータセットの実験では、LLM-IDは障害位置の精度を16.2%向上させており、これは現在の主流メソッドよりも大幅に向上している。
  論文  参考訳（メタデータ） (2025-06-22T04:58:37Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
  近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。 RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。 RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
  論文  参考訳（メタデータ） (2023-10-25T03:53:31Z)
• Learning Environment Models with Continuous Stochastic Dynamics [0.0]
  本研究では,エージェントの制御下での環境行動のオートマトンモデルを学ぶことによって,エージェントが直面する決定に対する洞察を提供することを目的とする。 本研究では,複雑で連続的な力学を持つ環境のモデルを学習できるように,自動学習の能力を高める。 我々は,LunarLander,CartPole,Mountain Car,Acrobotなど,OpenAI GymのRLベンチマーク環境に自動学習フレームワークを適用した。
  論文  参考訳（メタデータ） (2023-06-29T12:47:28Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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)

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。