論文の概要: Log-Insight: Automating Microservice Incident Diagnosis via Neuro-Symbolic Log Analysis
- arxiv url: http://arxiv.org/abs/2607.08529v1
- Date: Thu, 09 Jul 2026 14:25:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.562996
- Title: Log-Insight: Automating Microservice Incident Diagnosis via Neuro-Symbolic Log Analysis
- Title（参考訳）: Log-Insight: ニューロシンボリックログ分析によるマイクロサービスインシデント診断の自動化
- Authors: Carlos Garcia-Hernandez, Aymane Abdali, Guangyu Wu, Mingxue Wang, Fei Shen, Zhaoyu Pang, Yanbin Zhang,
- Abstract要約: 我々はHuaweiで運用されている自動インシデント診断システムであるLog-Insightを紹介する。
私たちの6段階パイプラインは、統計的に重要な障害信号を保存しながら、数百万の生イベントを1,000～7000倍削減します。
Log-Insight は MRR = 0.790 を達成し、最大3つの仮説の正しい根本原因を1分以内の動作の90%以上で返す。
- 参考スコア（独自算出の注目度）: 4.172239714799967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing production incidents in large-scale microservice systems is time-critical for Site Reliability Engineers (SREs). A single 30-minute incident window in our deployment can generate over two million log lines--approximately 1.2 billion characters, far exceeding standard LLM context windows--making direct LLM-based Root Cause Analysis (RCA) infeasible. Existing approaches leave gaps: template-based parsers lack semantic anomaly reasoning, deep-learning detectors emit black-box binary signals, and LLM pipelines suffer context overflow and domain hallucination on raw telemetry. We present Log-Insight, an automated incident-diagnosis system deployed in production at Huawei. The core design principle automates the SRE's manual triage workflow: symbolic stages replicate the structured investigation a skilled SRE would perform--sampling, schema understanding, pattern clustering, and statistical anomaly ranking. This hands the LLM a compact, pre-ranked evidence dossier to synthesise into a hypothesis report. Our six-stage pipeline reduces millions of raw events by 1,000-7,000x while preserving statistically significant failure signals. Evaluated on 11 historical production incidents (110 runs, SRE-validated ground truth), Log-Insight achieves MRR = 0.790, returning the correct root cause within the top-3 hypotheses in over 90% of runs in under a minute of latency. We report systematic failure modes, active mitigations, and open research directions. The Forensic Evidence section--listing exact log templates and skew statistics--was consistently identified by operators as a key adoption factor, shifting the system's perceived role from opaque oracle to investigative assistant.
- Abstract（参考訳）: 大規模マイクロサービスシステムにおける運用インシデントの診断は、SRE(Site Reliability Engineers)にとって、時間的に重要なものだ。
デプロイ中の30分のインシデントウィンドウは、約120億文字のログ行を生成することができ、標準のLLMコンテキストウィンドウをはるかに上回り、直接のLLMベースのルート原因分析(RCA)が実現不可能になります。
テンプレートベースのパーザは意味的異常推論を欠き、ディープラーニング検出器はブラックボックスバイナリ信号を出力し、LLMパイプラインは生のテレメトリ上でコンテキストオーバーフローとドメイン幻覚に悩まされる。
我々はHuaweiで運用されている自動インシデント診断システムであるLog-Insightを紹介する。
シンボリックステージは、熟練したSREが-サンプリング、スキーマ理解、パターンクラスタリング、統計異常ランキングを実行するような構造化された調査を複製する。
これにより LLM は、仮説レポートに合成するために、よりコンパクトで先入観的な証拠を与える。
私たちの6段階パイプラインは、統計的に重要な障害信号を保存しながら、数百万の生イベントを1,000～7000倍削減します。
11回の歴史的プロダクションインシデント(110回の実行、SRE-validated ground truth)を評価すると、Log-InsightはMRR = 0.790を達成し、1分以内に90%以上の実行でトップ3仮説の正しい根本原因を返す。
本報告では, 系統的障害モード, アクティブ緩和, オープン研究の方向性について報告する。
厳密なログテンプレートとスキュー統計をリストアップするForensic Evidenceのセクションは、オペレータによって一貫して重要な採用要因として特定され、システムの認識された役割を不透明なオラクルから調査助手に移行した。
関連論文リスト
- Multi-Agent Systems for Root Cause Analysis in Microservices [58.95503998127531]
LATS-RCAはMSSの根本原因分析のためのマルチエージェントフレームワークである。
リフレクションスコアは、最も可能性が高い根本原因への探索を導くために使用される。
我々は,オープンソースの産業MSSであるLight-OAuth2上でLATS-RCAを評価する。
論文 参考訳（メタデータ） (2026-05-05T08:39:42Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Stalled, Biased, and Confused: Uncovering Reasoning Failures in LLMs for Cloud-Based Root Cause Analysis [5.532586951580959]
LLMの推論動作を分離する実験的な評価手法を提案する。
我々は16の共通RCA推論失敗の分類をラベル付きで作成し、アノテーションにLLM-as-a-Judgeを使用する。
論文 参考訳（メタデータ） (2026-01-29T18:23:26Z) - R-Log: Incentivizing Log Analysis Capability in LLMs via Reasoning-based Reinforcement Learning [19.713020881817588]
R-Logは、人間のエンジニアの構造的、ステップバイステップの分析プロセスを反映した、推論に基づく新しいパラダイムである。
R-Logは、手動のO&Mプラクティスから13の戦略によってガイドされた、2k以上の推論トラジェクトリのキュレートデータセットで最初にコールドスタートされる。
実世界のログに対する実証的な評価は、R-Logが5つのログ解析タスクで既存のメソッドより優れていることを示している。
論文 参考訳（メタデータ） (2025-09-30T09:19:31Z) - Where Did It Go Wrong? Attributing Undesirable LLM Behaviors via Representation Gradient Tracing [12.835224376066769]
大きな言語モデル(LLM)は目覚ましい機能を示しているが、そのデプロイメントは望ましくない振る舞いによってしばしば損なわれている。
本稿では,表現とその勾配を解析することによって,望ましくないLCMの挙動を診断する,新しい,効率的なフレームワークを提案する。
本手法は,有害な内容の追跡,バックドア中毒の検出,知識汚染の同定などのタスクに対して,系統的に評価する。
論文 参考訳（メタデータ） (2025-09-26T12:07:47Z) - LogSage: An LLM-Based Framework for CI/CD Failure Detection and Remediation with Industrial Validation [15.666174528504806]
LogSageは、ルート原因分析(RCA)とCI/CD障害の自動修復のためのエンドツーエンドフレームワークである。
トークン効率のよいログ前処理パイプラインを使用して、ノイズをフィルタリングし、重大なエラーを抽出し、正確なRCAのための構造化診断プロンプトを実行する。
367のCI/CD障害のベンチマークでは、LogSageは98%以上の精度、ほぼ完璧なリコール、RCAステージにおけるF1の改善を達成している。
論文 参考訳（メタデータ） (2025-06-04T08:22:56Z) - QiMeng-CodeV-R1: Reasoning-Enhanced Verilog Generation [51.393569044134445]
大きな言語モデル(LLM)は、強化学習と検証可能な報酬(RLVR)によって訓練され、明示的で自動化可能な検証を伴うタスクにおいてブレークスルーを達成した。
しかし、自然言語(NL)仕様からVerilogのようなハードウェア記述言語(HDL)を自動的に生成するRLVRの拡張には、3つの大きな課題がある。
本稿では,Verilog 生成 LLM をトレーニングするための RLVR フレームワークである CodeV-R1 を紹介する。
論文 参考訳（メタデータ） (2025-05-30T03:51:06Z) - Detecting LLM Hallucination Through Layer-wise Information Deficiency: Analysis of Ambiguous Prompts and Unanswerable Questions [60.31496362993982]
大規模言語モデル(LLM)は、自信を持って不正確な応答を頻繁に生成する。
本稿では,情報フローの系統的解析を通じて,モデル幻覚を検出する新しいテストタイム手法を提案する。
論文 参考訳（メタデータ） (2024-12-13T16:14:49Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。