論文の概要: ActionNex: A Virtual Outage Manager for Cloud
- arxiv url: http://arxiv.org/abs/2604.03512v1
- Date: Fri, 03 Apr 2026 23:19:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.616625
- Title: ActionNex: A Virtual Outage Manager for Cloud
- Title（参考訳）: ActionNex: クラウド用の仮想障害マネージャ
- Authors: Zhenfeng Lin, Haoji Hu, Ming Hao, Xuchao Zhang, Ryan Zhang, Junhao Li, Ze Li, Oleg Kulygin, Chetan Bansal, Hatay Tuna, Murali Chintalapati, Sheila Jiang, Salman Zafar, Angie Anderson,
- Abstract要約: 大規模なクラウド運用における障害管理は、依然として非常に手作業で行われている。
textbfActionNexは、エンドツーエンドの停止支援をサポートするプロダクショングレードのエージェントシステムである。
- 参考スコア（独自算出の注目度）: 15.300537080873402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outage management in large-scale cloud operations remains heavily manual, requiring rapid triage, cross-team coordination, and experience-driven decisions under partial observability. We present \textbf{ActionNex}, a production-grade agentic system that supports end-to-end outage assistance, including real-time updates, knowledge distillation, and role- and stage-conditioned next-best action recommendations. ActionNex ingests multimodal operational signals (e.g., outage content, telemetry, and human communications) and compresses them into critical events that represent meaningful state transitions. It couples this perception layer with a hierarchical memory subsystem: long-term Key-Condition-Action (KCA) knowledge distilled from playbooks and historical executions, episodic memory of prior outages, and working memory of the live context. A reasoning agent aligns current critical events to preconditions, retrieves relevant memories, and generates actionable recommendations; executed human actions serve as an implicit feedback signal to enable continual self-evolution in a human-agent hybrid system. We evaluate ActionNex on eight real Azure outages (8M tokens, 4,000 critical events) using two complementary ground-truth action sets, achieving 71.4\% precision and 52.8-54.8\% recall. The system has been piloted in production and has received positive early feedback.
- Abstract（参考訳）: 大規模なクラウド運用における障害管理は依然として手作業で行われており、迅速なトリアージ、チーム間の調整、部分的な可観測性の下でのエクスペリエンス駆動的な決定が必要となる。
本稿では, リアルタイム更新, 知識蒸留, ロール・アンド・ステージ条件の次世代アクションレコメンデーションなど, エンド・ツー・エンドの障害支援を支援する, 生産レベルのエージェントシステムである‘textbf{ActionNex} を提案する。
ActionNexはマルチモーダルな運用信号(例えば、停止内容、テレメトリ、人間通信)を取り込み、それらを意味のある状態遷移を表す重要なイベントに圧縮する。
この認識層は階層的な記憶サブシステムと結合している: 長期キー・コンディション・アクション(KCA)知識は、プレイブックや過去の実行から抽出され、前回の停止のエピソード記憶、ライブコンテキストのワーキングメモリである。
推論エージェントは、現在の臨界事象を前提条件に整列し、関連する記憶を検索し、行動可能なレコメンデーションを生成する。
我々は,ActionNexを8つの実際のAzure障害(8Mトークン,4000のクリティカルイベント)に対して,2つの相補的基盤トラスアクションセットを用いて評価し,71.4\%の精度と52.8-54.8\%のリコールを実現した。
このシステムは実運用で試験運用されており、早期に肯定的なフィードバックを受けている。
関連論文リスト
- Trojan's Whisper: Stealthy Manipulation of OpenClaw through Injected Bootstrapped Guidance [23.059379933610163]
ガイダンスインジェクション(Guidance Injection)は、ブートストラップのガイダンスファイルに敵の運用ストーリーを埋め込むステルス攻撃ベクターである。
エクスプロイト,ワークスペース破壊,特権エスカレーション,持続的バックドア設置など,13の攻撃カテゴリにまたがる26の悪意あるスキルを構築した。
我々の攻撃は16.4%から64.2%の確率で成功し、悪意のある行動の大半はユーザーの確認なしに自律的に実行される。
論文 参考訳（メタデータ） (2026-03-20T14:17:56Z) - From Control to Foresight: Simulation as a New Paradigm for Human-Agent Collaboration [14.322953078328693]
効果的なコラボレーションには、コントロールだけでなく、前もって注意が必要だ、と私たちは主張します。
シミュレーション・イン・ザ・ループは,ユーザとエージェントがシミュレーションされた将来の軌道を探索することを可能にする対話パラダイムである。
論文 参考訳（メタデータ） (2026-03-12T08:42:33Z) - Dual Latent Memory for Visual Multi-agent System [69.29799381195592]
Visual Multi-Agent Systems (VMAS)は、エージェント間のコラボレーションを通じて包括的な能力を強化することを約束する。
増量剤は、指数関数的にトークンコストを膨らませながら、しばしば性能を低下させる。
L$2$-VMASは,2つの潜在記憶を用いたエージェント間コラボレーションを実現する新しいモデルに依存しないフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T02:49:10Z) - AgentFold: Long-Horizon Web Agents with Proactive Context Management [98.54523771369018]
LLM ベースの Web エージェントは情報検索を大いに約束するが,その有効性はコンテキスト管理における基本的なトレードオフによって妨げられる。
本稿では,プロアクティブなコンテキスト管理を中心としたエージェントパラダイムであるAgentFoldを紹介する。
単純な微調整により,BrowseCompでは36.2%,BrowseComp-ZHでは47.3%を達成した。
論文 参考訳（メタデータ） (2025-10-28T17:51:50Z) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z) - MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。
本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。
本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
論文 参考訳（メタデータ） (2025-08-26T17:57:16Z) - ActionSink: Toward Precise Robot Manipulation with Dynamic Integration of Action Flow [93.00917887667234]
本稿では,アクション推定のための新しいロボット操作フレームワークであるActionSinkを紹介する。
その名前が示すように、ActionSinkは、アクションフローと呼ばれるビデオからのアクション起因の光学フローとして、ロボットのアクションを再構成する。
我々のフレームワークは,LIBEROベンチマークのSOTAよりも7.9%向上し,長軸視覚課題LIBERO-Longの精度は8%近く向上した。
論文 参考訳（メタデータ） (2025-08-05T08:46:17Z) - StreamAgent: Towards Anticipatory Agents for Streaming Video Understanding [52.55809460075286]
本稿では,今後のタスク関連情報を含むと思われる時間間隔と空間領域を予測できるStreamAgentを提案する。
我々は,重要な出来事の時間的進行を予測するために,予測エージェントに期待を促すことによって,質問の意味論と歴史的観察を統合する。
提案手法は,応答精度とリアルタイム効率において既存の手法よりも優れており,実世界のストリーミングシナリオの実用的価値を強調している。
論文 参考訳（メタデータ） (2025-08-03T18:15:42Z) - DrunkAgent: Stealthy Memory Corruption in LLM-Powered Recommender Agents [31.542621203252295]
大規模言語モデル (LLM) を利用したエージェントは、リコメンデータシステム (RS) でますます使われている。
本稿では,LSMを用いたリコメンデータエージェントにおけるメモリベースの脆弱性について,初めて体系的に検討する。
我々はDrunkAgentという新しいブラックボックス攻撃フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T07:35:40Z) - Knowledge Distillation for Action Anticipation via Label Smoothing [21.457069042129138]
視覚的観察や非言語的手がかりから未来を予測できる人間の能力は、インテリジェントなシステムを開発する上で不可欠である。
我々は,長期記憶(LSTM)ネットワークに基づくマルチモーダルフレームワークを実装し,過去の観測を要約し,異なる時間ステップで予測を行う。
実験により,ラベルの平滑化は動作予測のための最先端モデルの性能を体系的に向上することが示された。
論文 参考訳（メタデータ） (2020-04-16T15:38:53Z)
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。