論文の概要: How Far Can Root Cause Analysis Go on Real-World Telemetry Data?

• arxiv url: http://arxiv.org/abs/2607.13548v1
• Date: Wed, 15 Jul 2026 07:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.690106
• Title: How Far Can Root Cause Analysis Go on Real-World Telemetry Data?
• Title（参考訳）: 実世界のテレメトリデータに根本原因分析はどこまでできるのか?
• Abstract要約: 従来の因果探索法や既存のLLMベースのマルチエージェントシステムでは根本原因を確実に特定できないことを示す。 本稿では,既存のLLMベースおよび古典的ベースラインを著しく上回る構造的マルチエージェントRCAパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying root causes in production microservice failures requires reasoning over large-scale, multimodal telemetry spanning metrics, logs, and traces, a problem that has proved resistant to both classical and LLM-based approaches. The OpenRCA dataset exemplifies these challenges: it is large-scale, multimodal, and lacks detailed domain knowledge, and yields consistently low accuracy across all existing methods. We show that classical causal discovery methods and existing LLM-based multi-agent systems fail to reliably identify root causes on this benchmark, and present a Structured Multi-Agent RCA pipeline that substantially outperforms existing LLM-based and classical baselines, supporting both domain-knowledge and knowledge-free operating modes. To diagnose where failures originate, we introduce a reverse reasoning agent that, given the correct answer, identifies which signals in the extracted anomalies support it and determines whether Stage~1 had access to those signals, classifying each failure as Reasoning Gap (evidence present but unused) or Data Ambiguity (evidence genuinely absent). This analysis reveals that the required evidence is present in the vast majority of failures: the bottleneck is not data access but the agent's ability to reason over it correctly. We further introduce an automated rule mining pipeline that systematically extracts discrimination rules from reverse reasoning reports, reducing reliance on manual knowledge curation. Across all configurations, model reasoning capability and domain knowledge are the primary constraints: stronger models embed more domain expertise, and explicit knowledge injection partially compensates for this gap. Reasoning performance remains practically bounded even when evidence extraction is perfect: scaffold engineering and better data pipelines alone cannot close this gap; progress requires improvements at the model level.
• Abstract（参考訳）: プロダクションマイクロサービスの障害における根本原因の特定には、メトリクス、ログ、トレースを対象とする大規模でマルチモーダルなテレメトリの推論が必要だ。 OpenRCAデータセットは、大規模でマルチモーダルで、詳細なドメイン知識がなく、既存のすべてのメソッドで一貫して低い精度が得られるという、これらの課題を実証している。 従来の因果探索手法と既存のLLMベースのマルチエージェントシステムは、このベンチマークで根本原因を確実に特定することができず、既存のLLMベースと古典的ベースラインを大幅に上回り、ドメイン知識と知識のない操作モードの両方をサポートする構造化マルチエージェントRCAパイプラインを提示する。 故障発生箇所の診断には, 正解が与えられた場合, 抽出した異常信号のどの信号がそれをサポートするのかを識別し, ステージ~1がそれらの信号にアクセスしたかどうかを判定し, 各障害をReasoning Gap(エビデンスだが未使用)またはData Ambiguity(エビデンス)として分類する。 ボトルネックはデータアクセスではなく、エージェントが正しく推論する能力である。 さらに、逆推論レポートから識別ルールを体系的に抽出する自動ルールマイニングパイプラインを導入し、手作業による知識キュレーションへの依存を減らす。 すべての構成、モデル推論能力、ドメイン知識が主な制約であり、より強力なモデルがより多くのドメイン専門知識を組み込んでおり、明示的な知識注入がこのギャップを部分的に補う。 足場エンジニアリングとより良いデータパイプラインだけではこのギャップを埋めることはできない。

関連論文リスト

• LogSemFuse: Semantic Evidence Fusion for Explainable Log Anomaly Detection [6.950497660953971]
  LogSemFuseはエビデンス誘導プラグインフレームワークで、既存のバックボーン検出器を元のパイプラインを置き換えることなく拡張する。 我々は、DeepLog、LogAnomaly、LogBERT、NeuralLogをバックボーンとして、HDFS、BGL、LibertyのLogSemFuseを評価する。
  論文  参考訳（メタデータ） (2026-07-03T20:50:07Z)
• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• Anomaly Detection and Root Cause Analysis for Microservice Systems [0.0]
  マイクロサービスシステムは、クラウドアプリケーションを構築するために広く使われていますが、その複雑さにより、障害は避けられません。 この論文は、マイクロサービスの障害に対する自動異常検出と根本原因分析を前進させる。
  論文  参考訳（メタデータ） (2026-06-08T00:50:43Z)
• VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems [79.51005192758262]
  大規模言語モデル駆動型マルチエージェントシステムは複雑なタスクで優れている。 しかし、信頼性の低いエージェントは、システムレベルの信頼性にとって重要なボトルネックである。 本稿では,エージェント故障の帰属に関する仮説検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-17T14:09:35Z)
• Use What You Know: Causal Foundation Models with Partial Graphs [97.91863420927866]
  最近提案されたCausal Foundation Models (CFMs) は、因果発見と推論を単一ステップで補正することで、より統一的なアプローチを約束している。 我々は、因果グラフやより容易に利用可能な祖先情報などの因果情報に基づいてCFMを条件付ける手法を導入することにより、このギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-16T17:56:37Z)
• 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)
• Think Locally, Explain Globally: Graph-Guided LLM Investigations via Local Reasoning and Belief Propagation [5.191980417814362]
  LLMエージェントは、ほとんどの環境が静的で、必要な情報がモデルのコンテキストウインドウに適合する場合、排他的になる。 直腸型薬剤は、この体制では特に脆い。 本稿では,LLMが限定的な局所的エビデンスマイニングとラベリングを行うためのフレームワークであるEoGを提案する。
  論文  参考訳（メタデータ） (2026-01-25T17:27:19Z)
• 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)
• Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism [19.31110304702373]
  SpecRCAは、thithypothesize-then-verifyパラダイムを採用した投機的根本原因分析フレームワークである。 AIOps 2022に関する予備的な実験では、既存のアプローチよりも精度と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2026-01-06T05:58:25Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• 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)

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。