論文の概要: Astragalus: Automatic Configuration Repair for Production Networks

• arxiv url: http://arxiv.org/abs/2605.22092v1
• Date: Thu, 21 May 2026 07:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.529849
• Title: Astragalus: Automatic Configuration Repair for Production Networks
• Title（参考訳）: Astragalus: 生産ネットワークのための自動構成修復
• Abstract要約: ネットワーク構成はエラーを起こしやすいため、破滅的なサービス停止につながる可能性がある。 自動構成修復(ACR)のための既存のツールは、セマンティック駆動のアプローチに従っている。 我々は,ACRの構文駆動型メソッドであるAstragalusを提案する。
• 参考スコア（独自算出の注目度）: 5.649589838524432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network configurations are prone to errors, which can lead to catastrophic service outages. A tool that can achieve automatic configuration repair (ACR) is highly desired by operators. Existing tools for ACR follow a semantic-driven approach: they model network semantics as a set of SMT constraints, and solve them for a location or fix of the error. Due to the complex semantics of networks, constructing and solving these constraints can be prohibitively expensive, making these tools neither general nor scalable. Inspired by automatic program repair (APR), we explore another direction, i.e., a syntax-driven approach, which tries to repair program bugs by ``grafting'' some existing code in the same repository, without modeling program semantics. Following this direction, we propose Astragalus, a syntax-driven method for ACR. It uses multiple iterations of a ``localize-fix-validate'' pipeline to search for repairs, and proves quite effective on configurations of our production network. Specifically, we show that Astragalus can repair every incident in multiple sizes of a synthesized network, and 97.5\% of the incidents on a real network, both with 15 types of errors injected, within an average time of 7.36 seconds. It has also provided valid repair options in under 6 minutes for 4 recent network incidents or undesired changes, in a real production network with O(1,000)Õ(10,000) devices.
• Abstract（参考訳）: ネットワーク構成はエラーを起こしやすいため、破滅的なサービス停止につながる可能性がある。 自動構成修復(ACR)を実現するツールは,演算子によって非常に望ましい。 ネットワークセマンティクスをSMT制約のセットとしてモデル化し、エラーの位置や修正のために解決する。 ネットワークの複雑なセマンティクスのため、これらの制約の構築と解決は違法にコストがかかり、汎用的でもスケーラブルでもない。 APR(Automatic Program repair)に触発されて、プログラムセマンティクスをモデル化することなく、同じリポジトリにある既存のコードを ` `grafting' でプログラムバグを修復しようとする構文駆動型アプローチを探求する。 そこで本研究では,ACRの構文駆動型手法であるAstragalusを提案する。 修正の検索には‘localize-fix-validate’パイプラインの複数イテレーションを使用します。 具体的には、Astragalusは、合成ネットワークの複数のサイズですべてのインシデントを修復でき、実際のネットワーク上のインシデントのうち97.5\%は、平均時間7.36秒で15種類のエラーを注入する。 また、4つの最近のネットワークインシデントや望ましくない変更に対して6分以内に有効な修復オプションを提供している。

関連論文リスト

• One Rewrite to Fix Them All? Type-Aware Repair Allocation for Text-to-Image Prompt Optimization [59.164665622252016]
  テキスト・トゥ・イメージ(T2I)ジェネレータは、間違ったカウント、スワップされた属性、あいまいな関係、不可解なテキストを生成し、そのプロンプトに忠実に従わないことが多い。 Prompt最適化は、ユーザプロンプトを書き換えて、ジェネレータの再トレーニングを必要としないことで、このような障害を修復する。 失敗する各命題は、結果のローカル制約が1つの実行可能なプロンプトにコンパイルされる前に、タイプ条件の修復演算子にルーティングされる。
  論文  参考訳（メタデータ） (2026-07-21T05:31:43Z)
• SmartHomeSecure: Automated Detection and Repair of Smart Home Configuration Errors Using Large Language Models [12.096717905785779]
  本稿では,設定エラーの自動検出と修復のためのプロトタイプであるSmartHomeSecureを提案する。 このシステムは、UI Shell、Feature Orchestrator、Domain Engine、Integration Layerという4つのレイヤでモジュール化されたWebアプリケーションとして実装されている。 3つのモデルで100%エラー検出精度が達成され、成功率は87%から93%であった。
  論文  参考訳（メタデータ） (2026-07-07T19:29:10Z)
• A11YRepair: Bridging Web Accessibility Barriers via Knowledge-Enhanced Divide-and-Conquer Repair [28.53179680947281]
  Webアクセシビリティ(A11Y)は、Webコンテンツが障害のあるユーザーに認識され、使用することができることを保証する。 既存の修理システムは、このマルチフォールトスケールの管理に失敗した。 Web A11Y修復のためのLLMベースのフレームワークであるA11YRepairを提案する。
  論文  参考訳（メタデータ） (2026-06-20T07:48:03Z)
• Evaluating Agentic Configuration Repair for Computer Networks [4.139568926467065]
  研究は、ネットワーク構成の複雑でエラーを起こしやすいタスクを自動化するために、Large Language Models (LLMs)に移行している。 我々は,形式的ネットワーク検証とコンテキスト検索ツールを付加した,オープンソースおよびクローズドソースのLCMをベンチマークする。 エージェントアーキテクチャは, 修復効率 (平均12%) と安全性 (平均17%) において, 基礎LLMよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2026-06-04T14:20:25Z)
• Project Prometheus: Bridging the Intent Gap in Agentic Program Repair via Reverse-Engineered Executable Specifications [14.657771106188115]
  現在のソリューションは、自然言語の要約や敵のサンプリングに頼っているが、手術の修理に必要な決定論的制約を与えていないことが多い。 コード生成よりもtextitSpecification Inference を優先することで、このギャップを埋める新しいフレームワークである textscPrometheus を紹介します。 我々のフレームワークは textbf93.97% (639/680) の完全なパッチレートを達成した。
  論文  参考訳（メタデータ） (2026-04-19T14:27:27Z)
• Repairing Regex Vulnerabilities via Localization-Guided Instructions [6.033257307910245]
  正規表現(regexes)は、正規表現拒否(ReDoS)にシステムを公開する しかし、現在のアプローチはトレードオフによって妨げられている。 信頼性を保ちながら一般化を活用するために設計されたハイブリッド・フレームワーク、ローカライズド・リフレクション(LRR)を導入する。
  論文  参考訳（メタデータ） (2025-10-10T06:15:43Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• Failing Forward: Improving Generative Error Correction for ASR with Synthetic Data and Retrieval Augmentation [73.9145653659403]
  生成誤差補正モデルは、トレーニング中に発生する特定の種類のエラーを超えて一般化することが困難であることを示す。 DARAGは、ドメイン内(ID)およびOODシナリオにおけるASRのためのGCCを改善するために設計された新しいアプローチである。 私たちのアプローチはシンプルでスケーラブルで、ドメインと言語に依存しません。
  論文  参考訳（メタデータ） (2024-10-17T04:00:29Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Convolutional vs Large Language Models for Software Log Classification in Edge-Deployable Cellular Network Testing [0.0]
  最大20万文字のコンテキストウインドウを提供する小型畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 私たちのモデルは、テスト実行中の欠陥を特定し、それらを関連する部門(以前は手動のエンジニアリングプロセス)にトリガする能力を持っています。 我々のモデルは専用のハードウェアを使わずにエッジデバイスにデプロイでき、様々な業界のソフトウェアログに広く適用できます。
  論文  参考訳（メタデータ） (2024-07-04T09:12:08Z)
• Semantic-Based Neural Network Repair [4.092001692194709]
  本稿では,ニューラルネットワークの自動修復手法を提案する。 私たちのアプローチは、ディープラーニングレイヤの実行可能なセマンティクスに基づいています。 私たちは、自動生成されたニューラルネットワークと、一般的なモデルバグに苦しむ手書きのものを修復する、という2つのユースケースに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2023-06-12T16:18:32Z)
• Minimal Multi-Layer Modifications of Deep Neural Networks [0.0]
  我々は、与えられたディープニューラルネットワーク(DNN)を修復するための3M-DNNと呼ばれる新しいツールを提案する。 3M-DNNは、ネットワークの重みの変更を計算し、その振る舞いを補正し、バックエンドの検証エンジンへの一連の呼び出しを通じて、この変更を最小化しようとする。 私たちの知る限りでは、複数のレイヤを同時に修正することでネットワークを修復できる最初の方法です。
  論文  参考訳（メタデータ） (2021-10-18T10:20:27Z)
• OutlierNets: Highly Compact Deep Autoencoder Network Architectures for On-Device Acoustic Anomaly Detection [77.23388080452987]
  人間のオペレーターはしばしば異常な音で産業機械を診断する。 ディープラーニングによる異常検出手法は、工場でのデプロイメントを禁止する膨大な計算リソースを必要とすることが多い。 ここでは、マシン駆動設計探索戦略を探求し、非常にコンパクトなディープコンボリューションオートエンコーダネットワークアーキテクチャのファミリーであるOutlierNetsを作成します。
  論文  参考訳（メタデータ） (2021-03-31T04:09:30Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)

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。