論文の概要: KernelDiag: Agent-Based Root Cause Diagnosis for Kernel Crashes

• arxiv url: http://arxiv.org/abs/2607.17722v1
• Date: Mon, 20 Jul 2026 09:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.572664
• Title: KernelDiag: Agent-Based Root Cause Diagnosis for Kernel Crashes
• Title（参考訳）: KernelDiag: カーネルクレーシュのエージェントベース根因診断
• Abstract要約: KernelDiagはカーネル根因診断のためのエージェントベースのフレームワークである。 ソースレベルのプログラムセマンティクスとクラッシュ固有のカーネル構成を反復的に推論するために、アーティファクト特化エージェントを使用している。 ファイルレベルとメソッドレベルで、最先端のローカライゼーションアプローチを一貫して上回る。
• 参考スコア（独自算出の注目度）: 14.482166991469954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Linux kernel is one of the most complex software systems, where automated fuzzing continuously exposes thousands of crashes, yet root-cause diagnosis remains a manual and time-consuming bottleneck. Existing LLM-based root cause analysis (RCA) techniques, effective for distributed systems, do not readily generalize to kernel debugging due to sparse low-level artifacts, heterogeneous diagnostic evidence (e.g., syscalls, logs, and crash reports), and complex non-linear fault propagation that demands fine-grained method-level reasoning. To address these challenges, we propose KernelDiag, an agent-based framework for kernel root-cause diagnosis via structured causal reasoning. KernelDiag first aligns heterogeneous diagnostic artifacts through log-to-code mapping, and then employs artifact-specialized agents to iteratively reason over source-level program semantics and crash-specific kernel configurations. The inferred causal dependencies are incrementally organized into structured Evidence Graphs, enabling accurate faulty-method localization and causal explanations. We evaluate KernelDiag on the real-world KGYM benchmark. KernelDiag consistently outperforms state-of-the-art localization approaches at both file and method levels, achieving significant improvements in Top@k accuracy, including up to 4x and 2x gains in challenging settings without explicit hints. Furthermore, both human and LLM-assisted evaluations show that KernelDiag generates accurate, coherent, and actionable diagnostic explanations. Overall, this work lays the foundation for automated kernel root-cause diagnosis by bridging low-level diagnostic evidence with source-level causal reasoning.
• Abstract（参考訳）: Linuxカーネルは最も複雑なソフトウェアシステムの1つであり、自動ファジィングは何千ものクラッシュを継続的に露呈するが、根本原因の診断は手作業と時間を要するボトルネックのままである。 既存のLLMベースの根本原因分析(RCA)技術は、分散システムに有効であり、希少な低レベルアーティファクト、異種診断証拠(例えば、サイスコール、ログ、クラッシュレポート)、詳細なメソッドレベルの推論を必要とする複雑な非線形障害伝播などにより、カーネルデバッグに容易に一般化できない。 これらの課題に対処するために、構造化因果推論によるカーネル根因診断のためのエージェントベースのフレームワークであるKernelDiagを提案する。 KernelDiagはまず、ログ・ツー・コードマッピングを通じて異種診断アーティファクトを整列させ、続いてアーティファクト特化エージェントを使用して、ソースレベルのプログラムセマンティクスとクラッシュ固有のカーネル構成を反復的に推論する。 推定因果依存性は、構造化されたエビデンスグラフに段階的に整理され、正確な欠陥メソッドのローカライゼーションと因果説明を可能にする。 実世界のKGYMベンチマークでKernelDiagを評価した。 KernelDiagは、ファイルレベルとメソッドレベルの両方で最先端のローカライゼーションアプローチを一貫して上回り、Top@kの精度を大幅に向上している。 さらに、人間とLLMによる評価は、KernelDiagが正確で一貫性があり、動作可能な診断説明を生成することを示している。 全体として、この研究は、ソースレベルの因果推論で低レベルの診断証拠をブリッジすることで、カーネルの根本原因の自動診断の基礎を築いた。

関連論文リスト

• How Far Can Root Cause Analysis Go on Real-World Telemetry Data? [0.8594140167290097]
  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。
  論文  参考訳（メタデータ） (2026-07-15T07:54:46Z)
• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• Towards Better Linux Kernel Fault Localization: Leveraging Contrastive Reasoning and Hierarchical Context Analysis [15.256164004074995]
  提案するCoHiKerは,Linuxカーネルに適したLLMベースのFL技術である。 CoHiKer は,(1) 相対的推論,(1) 慎重に変更したパスとフェールテストケースの振る舞いの相違を解析して根本原因を特定する,2) 階層的コンテキスト解析,(2) ファイルからメソッドへのローカライズ範囲を体系的に制限する,という2つの重要なイノベーションを紹介した。 我々は、CoHiKerを5つの最先端のベースラインに対して拡張されたLinuxカーネルバグデータセットで評価した。CoHiKerは、すべての競合より一貫して優れており、ファイルレベルでは26.07%、メソッドでは56.85%まで、Top-1ローカライゼーションの精度が向上している。
  論文  参考訳（メタデータ） (2026-07-01T07:51:02Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
  Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。 kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。 kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:06:15Z)
• Kunlun Anomaly Troubleshooter: Enabling Kernel-Level Anomaly Detection and Causal Reasoning for Large Model Distributed Inference [15.448826510384302]
  大規模モデル分散推論(LMDI)の異常なトラブルシューティングは依然として重要な課題である。 LMDIに適した最初の異常トラブルシューティングフレームワークであるKunlun Anomaly Troubleshooter(KAT)を紹介する。
  論文  参考訳（メタデータ） (2025-11-08T11:53:08Z)
• United We Stand: Towards End-to-End Log-based Fault Diagnosis via Interactive Multi-Task Learning [21.286258482234338]
  Chimeraは、新しいエンドツーエンドのログベースの障害診断手法である。 異常検出と根本原因の局在のギャップを埋める。 産業用クラウドプラットフォームとして運用に成功している。
  論文  参考訳（メタデータ） (2025-09-29T07:03:23Z)
• GALA: Can Graph-Augmented Large Language Model Agentic Workflows Elevate Root Cause Analysis? [9.394057684388027]
  本稿では,マイクロサービスシステムにおける根本原因分析の新しいフレームワークであるGALAを紹介する。 GALAはオープンソースのベンチマークで評価され、最先端のメソッドよりも大幅に改善されている。 GALAは自動故障診断と実用的なインシデント解決のギャップを埋めることを示す。
  論文  参考訳（メタデータ） (2025-08-17T19:12:05Z)
• 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)
• 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)
• Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection [76.1522587605852]
  分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。 我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
  論文  参考訳（メタデータ） (2020-09-24T12:25:43Z)

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。