論文の概要: Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks

• arxiv url: http://arxiv.org/abs/2606.13532v1
• Date: Thu, 11 Jun 2026 16:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.90731
• Title: Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks
• Title（参考訳）: クラウドネットワークにおけるルート原因解析のための図形因果推論
• Authors: Fabien Chraim, Dominik Janzing, John Evans,
• Abstract要約: クラウドコンピューティングは本質的に複雑なシステムである大規模ネットワークに依存している。 本稿では,ネットワークインシデントにおける根本原因分析(RCA)の新たなアプローチとして,グラフに基づく因果探索手法を提案する。
• 参考スコア（独自算出の注目度）: 6.527926874739627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud-computing relies on large-scale networks which are inherently complex systems. In this paper, we present a novel approach to root cause analysis (RCA) of cloud network incidents, leveraging graph-based causal discovery techniques. Our method addresses the limitations of rule-based automation by introducing a spatiotemporal grouping strategy and an automation ontology to reduce the dimensionality of the problem. We construct a causal graph from binary time series data using bivariate Granger causality and conditional independence tests. For inference, we introduce a probabilistic method that assigns edge-specific conditional probabilities as a function of time lag, allowing for interpretable, time-aware root cause scoring via causal graph traversal. We evaluated the system using a labeled dataset of 35 production incidents from a major cloud provider. The model successfully recalled the correct root cause in 85.7% of incidents and produced an exact match in 74.3%. In production, the deployed system has been used in over 800 real-world incidents, with positive qualitative feedback from network engineers. These results highlight the practicality of a data-driven, causal approach to RCA in dynamic and large-scale operational environments.
• Abstract（参考訳）: クラウドコンピューティングは本質的に複雑なシステムである大規模ネットワークに依存している。 本稿では,クラウドネットワークインシデントにおける根本原因分析(RCA)の新たなアプローチとして,グラフに基づく因果探索手法を提案する。 本稿では,時空間的グループ化戦略と自動化オントロジーを導入することで,ルールベースの自動化の限界に対処する。 バイナリ時系列データから二変量グランガー因果関係と条件付き独立性テストを用いて因果グラフを構築する。 本稿では,時間ラグの関数としてエッジ固有条件付き確率を割り当てる確率的手法を提案する。 大手クラウドプロバイダからの35件のプロダクションインシデントをラベル付きデータセットで評価した。 このモデルは85.7%のインシデントで正しい根本原因をリコールし、74.3%で正確に一致した。 実運用では、デプロイシステムは800以上の現実世界のインシデントで使用され、ネットワークエンジニアから肯定的なフィードバックを受けている。 これらの結果は、動的かつ大規模運用環境におけるRCAに対するデータ駆動型因果アプローチの実践性を強調している。

関連論文リスト

• NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks [19.973156931073447]
  ネットワークインシデントをグラフ時間プロセスとしてモデル化する,自己教師型学習ベースのフレームワークであるNetCauseを提案する。 主要なクラウドプロバイダのプロダクションネットワークから6ヶ月以上にわたって収集された1,500以上のインシデントに基づいてモデルをトレーニングし、31のエキスパートラベルインシデントで評価します。
  論文  参考訳（メタデータ） (2026-06-11T16:26:33Z)
• 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)
• Root Cause Analysis In Microservice Using Neural Granger Causal Discovery [12.35924469567586]
  本稿では、ニューラルグラガー因果探索と対照的学習を用いた根本原因解析の新しい手法であるRUNを提案する。 RUNは時系列からコンテキスト情報を統合することでバックボーンエンコーダを強化し、時系列予測モデルを利用して神経グランガー因果発見を行う。 さらに、RUNはPagerankをベクターに組み込んで、トップkのルート原因を効率的に推奨している。
  論文  参考訳（メタデータ） (2024-02-02T04:43:06Z)
• CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery [14.092834149864514]
  本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。 パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。 実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-10-03T02:29:19Z)
• 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)
• NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
  ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。 この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。 ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
  論文  参考訳（メタデータ） (2022-02-23T02:03:35Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。