論文の概要: Rebooting Microreboot: Architectural Support for Safe, Parallel Recovery in Microservice Systems
- arxiv url: http://arxiv.org/abs/2604.09963v1
- Date: Sat, 11 Apr 2026 00:17:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.768355
- Title: Rebooting Microreboot: Architectural Support for Safe, Parallel Recovery in Microservice Systems
- Title（参考訳）: マイクロリブートのリブート: マイクロサービスシステムにおける安全な並列リカバリのためのアーキテクチャサポート
- Authors: Laurent Bindschaedler,
- Abstract要約: Microrebootは、失敗したコンポーネントのみを再起動することで、迅速なリカバリを可能にする。
動作から計画を切り離してマイクロリブートを実用化する。
分散トレースからリカバリ境界をオンラインで推測し、最小限の再起動グループを計算し、制約を順序付けします。
- 参考スコア（独自算出の注目度）: 0.8716057702175077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Microreboot enables fast recovery by restarting only the failing component, but in modern microservices naive restarts are unsafe: dense dependencies mean rebooting one service can disrupt many callers. Autonomous remediation agents compound this by actuating raw infrastructure commands without safety guarantees. We make microreboot practical by separating planning from actuation: a three-agent architecture (diagnosis, planning, verification) proposes typed remediation plans over a seven-action ISA with explicit side-effect semantics, and a small microkernel validates and executes each plan transactionally. Agents are explicitly untrusted; safety derives from the ISA and microkernel. To determine where restart is safe, we infer recovery boundaries online from distributed traces, computing minimal restart groups and ordering constraints. On industrial traces (Alibaba, Meta) and DeathStarBench with fault injection, recovery-group inference runs in 21 ms at P99; typed actuation reduces agent-caused harm by 95% in simulation and achieves 0% harm online. The primary value is safety, not speed: LLM inference overhead increases TTR for services with fast auto-restart.
- Abstract（参考訳）: Microrebootは、フェールしたコンポーネントのみを再起動することで、迅速なリカバリを可能にするが、現代のマイクロサービスでは、ナイーブリカバリは安全ではない。
自律的な修復エージェントは、安全保証なしで生のインフラコマンドを作動させることによってこれを合成する。
3エージェントアーキテクチャ(診断,計画,検証)では,明示的なサイドエフェクトセマンティクスを備えた7アクションISAに対して,型付き修復計画を提案し,小さなマイクロカーネルで各プランをトランザクショナルに検証,実行している。
エージェントは明示的に信頼されず、安全はISAとマイクロカーネルに由来する。
再起動が安全な場所を決定するため、分散トレースからリカバリバウンダリをオンラインで推測し、最小限の再起動グループを計算し、制約を順序付けします。
インダストリアルトレース(アリババ、メタ)とDeathStarBench(フォールトインジェクション)では、リカバリグループ推論はP99で21msで実行される。
LLM推論のオーバーヘッドは、高速な自動再起動を持つサービスのTTRを増加させます。
関連論文リスト
- E2E-REME: Towards End-to-End Microservices Auto-Remediation via Experience-Simulation Reinforcement Fine-Tuning [36.966897385124646]
textitEnd-to-End Microservice Remediation (E2E-MR)を紹介する。
E2E-MRは診断報告から実行可能なプレイブックを生成し、障害システムを自律的に復元する。
我々は、経験シミュレーション強化微調整により訓練されたエンドツーエンドの自己修復モデルであるtextitE2E-REMEを提案する。
論文 参考訳（メタデータ） (2026-04-13T07:12:04Z) - ShieldNet: Network-Level Guardrails against Emerging Supply-Chain Injections in Agentic Systems [56.613157564882925]
悪意のある行動は、一見良心的なツールに埋め込まれ、エージェントの実行を静かにハイジャックしたり、機密データをリークしたり、無許可のアクションをトリガーしたりする。
影響は拡大しているが、このような脅威を評価するための包括的なベンチマークは今のところ存在しない。
実ネットワークの相互作用を観測してサプライチェーン中毒を検出するネットワークレベルのガードレールフレームワークであるShieldNetを提案する。
論文 参考訳（メタデータ） (2026-04-06T05:15:00Z) - ML Defender (aRGus NDR): An Open-Source Embedded ML NIDS for Botnet and Anomalous Traffic Detection in Resource-Constrained Organizations [0.0]
本稿では,C++20で構築された,150-200 USDのコモディティハードウェア上にデプロイ可能なオープンソースのネットワーク侵入検知システムを提案する。
ML Defenderは、eBPF/XDPパケットキャプチャ、ZeroMQトランスポート、Protocol Buffersシリアライゼーションの6成分パイプラインを実装している。
Ransomware Threat Winsポリシーは、ML推論を用いて両方のスコアの最大演算を選択し、偽陽性を抑える。
論文 参考訳（メタデータ） (2026-04-03T05:20:13Z) - Unsafer in Many Turns: Benchmarking and Defending Multi-Turn Safety Risks in Tool-Using Agents [68.20752678837377]
本稿では,単一ターン有害なタスクを多ターン攻撃シーケンスに変換する基本的分類法を提案する。
この分類法を用いて,マルチターンツール使用エージェントの安全性を評価する最初のベンチマークであるMT-AgentRiskを構築した。
トレーニング不要で、ツールに依存しない、自己探索型防御ツールであるToolShieldを提案する。
論文 参考訳（メタデータ） (2026-02-13T18:38:18Z) - SEMA: Simple yet Effective Learning for Multi-Turn Jailbreak Attacks [53.97948802255959]
本稿では,既存の戦略や外部データに頼ることなく,マルチターン攻撃者を訓練するフレームワークを提案する。
準備された自己調整は、非拒否的で、よく構造化された、多ターンの逆のプロンプトを微調整することで、使用可能なロールアウトを可能にする。
私たちは、意図の整合性、コンプライアンスリスク、詳細レベルを組み合わせたインテントドリフト対応の報酬を通じて、多ターンジェイルブレイクにおける有害な意図を保ちます。
論文 参考訳（メタデータ） (2026-02-06T16:44:57Z) - MirrorGuard: Toward Secure Computer-Use Agents via Simulation-to-Real Reasoning Correction [16.58862217164395]
実世界のCUAセキュリティを改善するためにシミュレーションベースのトレーニングを利用するプラグアンドプレイディフェンスフレームワークであるMirrorGuardを紹介する。
MirrorGuard氏は、CUAの安全でない推論チェーンをインターセプトし、修正して、安全でないアクションを生成し、実行することを学ぶ。
我々の研究は、シミュレーションによる防御は、エージェントの基本的な実用性を維持しながら、堅牢で現実世界の保護を提供することができることを証明している。
論文 参考訳（メタデータ） (2026-01-19T08:32:09Z) - BackdoorAgent: A Unified Framework for Backdoor Attacks on LLM-based Agents [58.83028403414688]
大規模言語モデル(LLM)エージェントは、計画、メモリ、ツールの使用を組み合わせた多段階ワークフローを通じてタスクを実行する。
エージェントワークフローの特定のステージに注入されたバックドアトリガーは、複数の中間状態を通して持続し、下流出力に悪影響を及ぼす可能性がある。
LLMエージェントにおけるバックドア脅威を統一したエージェント中心のビューを提供するモジュールおよびステージアウェアフレームワークである textbfBackdoorAgent を提案する。
論文 参考訳（メタデータ） (2026-01-08T03:49:39Z) - MicroRemed: Benchmarking LLMs in Microservices Remediation [38.338663893180446]
エージェントベースの推論フレームワークと統合された大規模言語モデル(LLM)は、最近、自律的な意思決定の強い可能性を示している。
期待されているが、未調査の方向性のひとつが、障害のあるマイクロサービスシステムを自動的にリカバリするという、マイクロサービスの修復だ。
既存のアプローチはまだ、SRE(Site Reliability Engineers)からの人為的なプロンプトに依存しています。
エンドツーエンドのマイクロサービス修復において,LSMを評価する最初のベンチマークであるMicroRemedを紹介した。
論文 参考訳（メタデータ） (2025-11-03T02:35:55Z) - STAC: When Innocent Tools Form Dangerous Chains to Jailbreak LLM Agents [38.755035623707656]
本稿では,エージェントツールの利用を生かした新しいマルチターンアタックフレームワークSTACについて紹介する。
我々は,483のSTACケースを自動生成し,評価するために,1,352セットのユーザエージェント環境相互作用を特徴とするフレームワークを適用した。
GPT-4.1を含む最先端のLSMエージェントはSTACに対して極めて脆弱であり,攻撃成功率(ASR)は90%以上である。
論文 参考訳（メタデータ） (2025-09-30T00:31:44Z) - AgentHarm: A Benchmark for Measuring Harmfulness of LLM Agents [84.96249955105777]
LLMエージェントは誤用された場合、より大きなリスクを引き起こすが、その堅牢性は未発見のままである。
我々は, LLMエージェント誤用の研究を容易にするために, AgentHarmと呼ばれる新しいベンチマークを提案する。
主要なLLMは、ジェイルブレイクなしで悪意のあるエージェント要求に驚くほど準拠している。
論文 参考訳（メタデータ） (2024-10-11T17:39:22Z)
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。