論文の概要: Graph-Free Root Cause Analysis

• arxiv url: http://arxiv.org/abs/2601.21359v1
• Date: Thu, 29 Jan 2026 07:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.65111
• Title: Graph-Free Root Cause Analysis
• Title（参考訳）: グラフフリー根本原因解析
• Authors: Luan Pham,
• Abstract要約: 根本原因分析のためのシンプルで効率的なフレームワークであるPRISMを提案する。 9つの実世界のデータセットにわたる735の障害に対して、PRISMは68%のTop-1精度を達成し、最高のベースラインよりも258%改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Failures in complex systems demand rapid Root Cause Analysis (RCA) to prevent cascading damage. Existing RCA methods that operate without dependency graph typically assume that the root cause having the highest anomaly score. This assumption fails when faults propagate, as a small delay at the root cause can accumulate into a much larger anomaly downstream. In this paper, we propose PRISM, a simple and efficient framework for RCA when the dependency graph is absent. We formulate a class of component-based systems under which PRISM performs RCA with theoretical guarantees. On 735 failures across 9 real-world datasets, PRISM achieves 68% Top-1 accuracy, a 258% improvement over the best baseline, while requiring only 8ms per diagnosis.
• Abstract（参考訳）: 複雑なシステムの故障は、カスケード損傷を防ぐために急激なルート原因解析(RCA)を必要とする。 依存性グラフなしで動作する既存のRCAメソッドは、通常、根本原因が最も異常スコアが高いと仮定する。 この仮定は断層が伝播するときに失敗し、根本原因での小さな遅延が下流のより大きな異常に蓄積される可能性がある。 本稿では,依存性グラフが存在しない場合のRCAのための簡易かつ効率的なフレームワークであるPRISMを提案する。 PRISMがRCAを理論的保証で実行するコンポーネントベースシステムのクラスを定式化する。 9つの実世界のデータセットにわたる735の障害に対して、PRISMは68%のTop-1精度を達成し、最高のベースラインよりも258%改善した。

関連論文リスト

• 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)
• Automatic Root Cause Analysis via Large Language Models for Cloud Incidents [51.94361026233668]
  クラウドインシデントの根本原因分析を自動化するために,大規模言語モデルによって強化されたオンコールシステムであるRCACopilotを紹介する。 RCACopilotは、入ってくるインシデントと、そのアラートタイプに基づいて対応するインシデントハンドラとをマッチングし、クリティカルランタイム診断情報を集約し、インシデントの根本原因カテゴリを予測し、説明的な物語を提供する。 Microsoftから1年分のインシデントからなる実世界のデータセットを使用してRCACopilotを評価する。
  論文  参考訳（メタデータ） (2023-05-25T06:44:50Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• BALANCE: Bayesian Linear Attribution for Root Cause Localization [19.30952654225615]
  ルート原因分析(RCA)は分散データシステムの保守と運用において必須の役割を果たす。 本稿では、最近開発された説明可能なAI(XAI)のフレームワークをRCAのために活用する可能性を明らかにする。 本稿では,XAI における帰属レンズを通して RCA の問題を定式化する BALANCE を提案する。
  論文  参考訳（メタデータ） (2023-01-31T11:49:26Z)
• An Influence-based Approach for Root Cause Alarm Discovery in Telecom Networks [7.438302177990416]
  実際には、正確で自己調整可能なアラームの根本原因分析は、ネットワークの複雑さと大量のアラームのために大きな課題である。 因果推論とネットワーク埋め込み技術を組み合わせたルート原因警報定位のためのデータ駆動型フレームワークを提案する。 人工データと現実世界の通信データについて評価し,最適なベースラインに対して有意な改善を示した。
  論文  参考訳（メタデータ） (2021-05-07T07:41:46Z)

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。