論文の概要: Understanding Online Failure Prediction in Linux Through Complementary Multi-View Explainability

• arxiv url: http://arxiv.org/abs/2608.00651v1
• Date: Sat, 01 Aug 2026 13:12:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.847718
• Title: Understanding Online Failure Prediction in Linux Through Complementary Multi-View Explainability
• Title（参考訳）: 補完的マルチビュー説明可能性によるLinuxのオンライン障害予測の理解
• Abstract要約: 本報告では,Linux OS用オンラインエラー予測パイプラインの構築と評価について述べる。 コンセンサスに基づく特徴選択と、時間的オンセット分析、サブシステムレベルの因果解析、障害解釈を支援する補完的な診断メカニズムを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate Online Failure Prediction (OFP) has been shown to be feasible in Operating Systems (OSs) settings, but prediction alone is not sufficient for practical adoption. Without diagnostic insight, operators have limited basis to trust alerts or decide how to respond. Moreover, even when predictive accuracy is high, it is often unclear whether models are capturing meaningful failure processes or merely exploiting workload-specific noise and incidental correlations in telemetry. This paper reports a practical experience building and evaluating an explainable OFP pipeline for Linux OSs. We combine consensus-based feature selection for detection with temporal onset analysis, subsystemlevel causal analysis, and complementary diagnostic mechanisms to support failure interpretation. Evaluated under strict crossworkload conditions with frozen training artifacts, it achieved 91-94% detection on unseen workloads without retraining, while maintaining false alarm rates below 1%. However, failure mode diagnosis proved substantially more sensitive to workload shift, and several diagnostics mechanisms showed limited effectiveness for specific failure types. Our experience highlights three main lessons: i) detection generalizes more robustly than diagnosis across workload changes; ii) early-warning capability depends strongly on the failure mode, ranging from 38 to 215 seconds in our study; and iii) unseen failure modes are not reliably diagnosable from related training modes alone, providing 0% accuracy under Leave-One-Mode-Out (LOMO) evaluation. Taken together, these results show the value of complementary explainability mechanisms for interpreting accurate failure predictions, revealing when predictive signals reflect transferable failure structure and when diagnostic generalization breaks down under workload variation.
• Abstract（参考訳）: 正確なオンラインエラー予測(OFP)はオペレーティング・システム(OS)設定で実現可能であることが示されているが、実際的な採用には予測だけでは不十分である。 診断的洞察がなければ、オペレータはアラートを信頼したり、応答の仕方を決定するための制限された基盤を持つ。 さらに, 予測精度が高い場合でも, モデルが有意義な故障過程を捉えているのか, あるいは, テレメトリにおける作業負荷固有のノイズや偶発的相関を単に活用しているのかはよく分かっていない。 本報告では,Linux OS用の説明可能なOFPパイプラインの構築と評価について述べる。 コンセンサスに基づく特徴選択と、時間的オンセット分析、サブシステムレベルの因果解析、障害解釈を支援する補完的な診断メカニズムを組み合わせる。 凍結したトレーニングアーティファクトによる厳格なクロスワークロード条件の下で評価され、再トレーニングせずに、偽のアラームレートを1%以下に保ちながら、見えないワークロードを91-94%検出した。 しかし, 故障モードの診断は作業負荷シフトにかなり敏感であることが判明し, いくつかの診断機構は, 特定の障害タイプに対して限られた有効性を示した。 私たちの経験は3つの主要な教訓を浮き彫りにしています。 一 検出は、ワークロードの変更の診断よりも、より堅牢に一般化する。 二 早期警戒能力は、研究において38秒から215秒の障害モードに強く依存する。 三 未確認の故障モードは、関連するトレーニングモードのみから確実に診断することができず、LOMO(Leave-One-Mode-Out)評価において、0%の精度を提供する。 これらの結果は, 正確な故障予測を解釈するための相補的説明可能性機構の価値を示し, 予測信号が伝達可能な故障構造を反映し, 診断一般化がワークロードの変動の下で崩壊した場合を明らかにする。

関連論文リスト

• Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis [6.168311548428149]
  診断エビデンスネットワーク(DENet)は、エンコーダに依存しないマルチタスクフレームワークで、出力を構造化されたエビデンスレコードに拡張する。 統計的に有意な精度のコストは発生せず、1,024点の周波数誤差は約6Hzである。 AUROC値0.970と0.871の誤分類を検出し、高信頼体制において差別的のままである。
  論文  参考訳（メタデータ） (2026-07-24T14:09:16Z)
• 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)
• An Uncertainty-Aware Resilience Micro-Agent for Causal Observability in the Computing Continuum [2.589200983166521]
  本稿では, 因果オブザーバビリティ(AURORA)のための不確実性認識型レジリエンスマイクロエージェントを提案する。 AURORAは、各断層のマルコフ毛布内の根因解析をサポートするために、自由エネルギー原理、因果線計算、局所化された因果線状態グラフを統合する並列マイクロエージェントを使用している。 実験の結果,AURORAは62.0%の修理精度と3msの平均修理時間を維持しながら,破壊作用率0%を達成し,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-11T15:28:37Z)
• Failure Identification in Imitation Learning Via Statistical and Semantic Filtering [2.2515832864485024]
  ロボット工学における模倣学習(IL)ポリシは、制御された設定において強力なパフォーマンスを提供するが、実際のデプロイメントでは脆弱である。 本稿では、ポリシーに依存しない障害検出モジュールFIDeL(Failure Identification in Demonstration Learning)を紹介する。 また,ロボット工学における故障検出のための実世界のタスクのマルチモーダルデータセットであるBotFailsを紹介した。
  論文  参考訳（メタデータ） (2026-04-15T12:27:32Z)
• Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know" [47.930782177987446]
  大規模言語モデルは、クローズドブックの質問応答において知識限界を認識するのに苦労することが多く、自信ある幻覚へと繋がる。 我々は、モデルスケールの異なるDirect、Assistive、Incrementalの3つのタスク等価プロンプトとマルチホップQAベンチマークを評価した。 幻覚が一致している間に事実知識が安定しているため、クロスレジームは内部の不確実性の正確なシグナルを与える。
  論文  参考訳（メタデータ） (2026-02-04T18:39:58Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• How Execution Features Relate to Failures: An Empirical Study and Diagnosis Approach [11.857060911501016]
  障害のローカライゼーションは、障害の原因となる可能性のあるコード領域を特定することを目的としている。 従来のテクニックは主にステートメントの実行と失敗を関連付けています。 我々は17の実行特徴を分析し,その相関性を評価した。
  論文  参考訳（メタデータ） (2025-02-25T22:00:05Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。