論文の概要: Understanding and Detecting Scalability Faults in Large-Scale Distributed Systems
- arxiv url: http://arxiv.org/abs/2606.11815v1
- Date: Wed, 10 Jun 2026 08:49:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 14:36:17.600176
- Title: Understanding and Detecting Scalability Faults in Large-Scale Distributed Systems
- Title（参考訳）: 大規模分散システムにおけるスケーラビリティ障害の理解と検出
- Authors: Hao-Nan Zhu, Goodness Ayinmode, Cesar A. Stuardo, Haryadi S. Gunawi, Cindy Rubio-González,
- Abstract要約: 本稿では,スケーラビリティ障害の包括的研究を行い,その検出のためのアプローチを提案する。
これらの欠陥の大部分は、次元コードフラグメントとそれに関連するアンチパターンの相乗効果によって引き起こされる。
この結果に基づいて,スケーラビリティの欠陥を検出する新しいアプローチであるScaleLensを設計,実装した。
- 参考スコア（独自算出の注目度）: 4.362689090220404
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scalable distributed systems form the backbone of modern computing infrastructure. However, as scale grows, system complexity may lead to scalability faults. Scalability faults are challenging to uncover and diagnose, as they are often latent and only manifest at large-scale deployment. In this paper, we present the first comprehensive study on scalability faults and propose an approach for their detection. First, we systematically investigate 444 scalability issue reports from 10 large-scale distributed systems to understand the common anti-patterns and root causes of scalability faults. We found that the majority of these faults are caused by the synergy between dimensional code fragments and anti-patterns associated with them. Second, based on our findings, we design and implement ScaleLens, a novel approach to detect scalability faults. ScaleLens combines dynamic and static analyses to pinpoint dimensional code fragments and match them with anti-patterns. Our evaluation shows that ScaleLens detects 4.2x more dimensional code fragments associated with known scalability faults compared to the baseline. On the latest stable versions of Cassandra, HDFS, and Ignite, ScaleLens detects 334 dimensional code fragments with confirmed problematic behavior.
- Abstract（参考訳）: スケーラブルな分散システムは、現代のコンピューティングインフラストラクチャのバックボーンを形成する。
しかし、スケールが大きくなるにつれて、システムの複雑さはスケーラビリティの欠陥につながる可能性がある。
スケーラビリティの欠陥は、大規模なデプロイメントでのみ現れるため、発見と診断が難しい。
本稿では,スケーラビリティ障害の包括的研究を行い,その検出のためのアプローチを提案する。
まず,大規模分散システム10の444件のスケーラビリティに関する報告を体系的に調査し,スケーラビリティ障害の共通のアンチパターンと根本原因を理解する。
これらの欠陥の大部分は、次元コードフラグメントとそれに関連するアンチパターンの相乗効果によって引き起こされる。
第二に、我々の発見に基づいて、スケーラビリティの欠陥を検出する新しいアプローチであるScaleLensを設計し、実装する。
ScaleLensは動的および静的解析をピンポイントのコードフラグメントに組み合わせ、アンチパターンとマッチさせる。
評価の結果,ScaleLensは,既知のスケーラビリティ欠陥に関連する4.2倍のコードフラグメントを,ベースラインと比較して検出することがわかった。
Cassandra、HDFS、Igniteの最新の安定バージョンでは、ScaleLensは問題のある振る舞いを確認した334次元のコードフラグメントを検出する。
関連論文リスト
- Divide-and-Conquer Inference for Large-Scale Visual Recognition with Multimodal Large Language Models [12.459927405623624]
Divide-and-Conquer Inference (DCI)はMLLMを用いた視覚認識のための新しいテスト時間スケーリング戦略である。
DCIは、複雑なグローバルな分類タスクを、より単純で局所化されたサブプロブレムに分解し、探索空間を圧縮するために動的プルーニング機構を使用する。
モデルに依存しないプラグアンドプレイのパラダイムとして、DCIは大規模なシナリオでMLLMの推論精度をスケールするための効率的なアプローチを提供する。
論文 参考訳（メタデータ） (2026-05-24T01:07:05Z) - Multi-Level Temporal Graph Networks with Local-Global Fusion for Industrial Fault Diagnosis [0.4779196219827507]
本稿では,産業的故障診断のための局所的特徴融合を用いた構造対応多レベル時間グラフネットワークを提案する。
提案手法は,特に複雑な故障シナリオにおいて,優れた故障診断性能を実現する。
論文 参考訳（メタデータ） (2026-04-20T19:20:29Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。
ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
論文 参考訳（メタデータ） (2026-01-20T06:42:56Z) - Context-Specific Causal Graph Discovery with Unobserved Contexts: Non-Stationarity, Regimes and Spatio-Temporal Patterns [8.121462458089143]
因果グラフの変化に符号化された情報を,安定性を念頭に検討する。
組み込みのモジュール化により、サブプロブレムの配列全体を体系的に理解し、改善することができる。
論文 参考訳（メタデータ） (2025-11-26T16:06:36Z) - MLAD: A Unified Model for Multi-system Log Anomaly Detection [35.68387377240593]
複数のシステムにまたがる意味的関係推論を組み込んだ新しい異常検出モデルMLADを提案する。
具体的には、Sentence-bertを用いてログシーケンス間の類似性を捉え、それらを高次元の学習可能な意味ベクトルに変換する。
我々は,各キーワードのシーケンスにおける意義を識別し,マルチシステムデータセットの全体分布をモデル化するために,アテンション層の公式を改訂する。
論文 参考訳（メタデータ） (2024-01-15T12:51:13Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - CSCAD: Correlation Structure-based Collective Anomaly Detection in
Complex System [11.739889613196619]
大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。
本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。
異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
論文 参考訳（メタデータ） (2021-05-30T09:28:25Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z) - Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。
HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。
提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
論文 参考訳（メタデータ） (2020-03-07T10:06:47Z)
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。