論文の概要: Stochastic Connectivity as the Foundation of a Runtime Model for Microservice Availability Analysis
- arxiv url: http://arxiv.org/abs/2607.00740v1
- Date: Wed, 01 Jul 2026 10:23:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.850154
- Title: Stochastic Connectivity as the Foundation of a Runtime Model for Microservice Availability Analysis
- Title（参考訳）: マイクロサービスアベイラビリティ分析のための実行モデルの基礎としての確率接続性
- Abstract要約: 本稿では,マイクロサービスエンドポイントのレジリエンス指向解析のための接続性に基づく,正式なランタイムアベイラビリティモデルを提案する。
これは、型付きサービス依存性グラフ、レプリケーションマップ、ノードとエッジ状態の確率測定、リクエスト固有の成功予測を組み合わせた、マイクロサービスレジリエンスの計測可能なファセットとして、明示的な障害シナリオ下でのエンドポイント可用性を扱います。
このモデルは、トレースやデプロイメントの成果物から再構築でき、アーキテクチャのWhat-if分析のためにパラメータ化され、モンテカルロシミュレーションによってフォールトインジェクションの前後で分析される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Microservice availability is commonly assessed by fault injection and chaos experiments, but such experiments are costly, operationally risky, and difficult to repeat for every architectural change. Distributed tracing and deployment metadata provide cheaper evidence, yet they usually remain descriptive: they show which services interacted, not what endpoint-level availability property follows. This paper proposes a formal runtime availability model based on stochastic connectivity for resilience-oriented analysis of microservice endpoints. It treats endpoint availability under explicit fault scenarios as a measurable facet of microservice resilience, combining a typed service-dependency graph, a replication map, a probability measure over node and edge states, and request-specific success predicates. Its semantics separates computational failures of service replicas from communication failures of logical dependencies, showing that replication cannot compensate for bottleneck dependencies. The model can be reconstructed from traces and deployment artifacts, parameterized for architectural what-if analysis, and analyzed by Monte Carlo simulation before or alongside fault injection. We define the model, its trace-to-model construction, elementary semantic properties, and a synthetic adequacy study. The study matches closed-form oracle cases within sampling error and exposes boundaries caused by edge bottlenecks, correlated failures, missing traces, and time-dependent failures.
- Abstract（参考訳）: マイクロサービスの可用性は、一般的に障害注入とカオス実験によって評価されるが、このような実験はコストがかかり、運用上のリスクがあり、アーキテクチャの変更毎に繰り返すのが難しい。
分散トレースとデプロイメントのメタデータは、より安価なエビデンスを提供するが、通常は説明的なままである。
本稿では,マイクロサービスエンドポイントのレジリエンス指向解析のための,確率接続に基づく正式なランタイムアベイラビリティモデルを提案する。
これは、型付きサービス依存性グラフ、レプリケーションマップ、ノードとエッジ状態の確率測定、リクエスト固有の成功予測を組み合わせた、マイクロサービスレジリエンスの計測可能なファセットとして、明示的な障害シナリオ下でのエンドポイント可用性を扱います。
そのセマンティクスは、サービスレプリカの計算障害と論理的依存関係の通信障害を分離し、レプリケーションがボトルネック依存関係を補うことができないことを示す。
このモデルは、トレースやデプロイメントの成果物から再構築でき、アーキテクチャのWhat-if分析のためにパラメータ化され、モンテカルロシミュレーションによってフォールトインジェクションの前後で分析される。
モデル,そのトレース・ツー・モデル構成,基本意味的特性,および合成精度について検討する。
この研究はサンプリングエラー内のクローズドフォームのオラクルケースと一致し、エッジボトルネック、相関障害、トレースの欠如、時間依存障害によって引き起こされる境界を公開する。
関連論文リスト
- Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳（メタデータ） (2026-06-21T12:14:11Z) - UModel: An Agent-Ready Observability Data Modeling Method at Scale [25.076726153200084]
データ中心のモデリングからオブジェクト中心のモデリングへ可観測性をシフトする統一的なオントロジフレームワークであるUModelを提案する。
UModelを使用して"AIOps 2025 Challenge"データセットを再モデル化することで、根本原因のローカライゼーションの精度が8%向上した。
UModelは数万のユーザに仕え、毎秒数百万のオペレーションを持続し、秒未満のクエリレイテンシを提供する。
論文 参考訳（メタデータ） (2026-06-03T12:25:50Z) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - CellScientist: Dual-Space Hierarchical Orchestration for Closed-Loop Refinement of Virtual Cell Models [62.281480231694]
VCM(Virtual Cell Modeling)は、摂動応答を予測できるだけでなく、予測が失敗した場合にターゲットリビジョンをサポートするモデルを必要とする。
現在のLCM支援モデリングでは、予測誤差が実行可能実装を通して観測されるという改善ルーティング問題に直面している。
提案するCellScientistは,高レベル仮説空間と低レベル実行可能実装空間を結合した,二重空間階層型フレームワークである。
論文 参考訳（メタデータ） (2026-05-08T06:40:24Z) - Diagnosing Structural Failures in LLM-Based Evidence Extraction for Meta-Analysis [0.8193467416247519]
レビューとメタ分析は、物語を構造化され、数値化された研究記録に変換することに頼っている。
大規模言語モデル(LLM)の急速な進歩にもかかわらず、このプロセスの構造的要件を満たすことができるかどうかは不明だ。
本稿では,LLMに基づくエビデンス抽出をスキーマ制約クエリの進行として評価する構造的診断フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-11T14:09:43Z) - Evaluating Asynchronous Semantics in Trace-Discovered Resilience Models: A Case Study on the OpenTelemetry Demo [0.0]
トレースからサービス依存グラフを導出する、トレースが発見された接続モデルを再検討する。
フェールストップサービス障害時にエンドポイントの可用性を推定するために、Monte Carloシミュレーションを使用します。
論文 参考訳（メタデータ） (2025-12-13T13:08:05Z) - Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。
グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T08:28:41Z) - Model Discovery and Graph Simulation: A Lightweight Gateway to Chaos Engineering [0.0]
カオスエンジニアリングはレジリエンスのリスクを明らかにしますが、広く頻繁に実行するには高価で運用上のリスクがあります。
我々は、単純な接続のみのトポロジモデルにより、フェールストップフォールトの下で、高速で低リスクなアベイラビリティー推定を行うことができると主張している。
論文 参考訳（メタデータ） (2025-06-12T10:59:28Z) - 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) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - 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)
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。