論文の概要: GALA: Graph-Augmented LLM Agents for Root Cause Analysis and Incident Response in Microservices
- arxiv url: http://arxiv.org/abs/2608.08968v1
- Date: Mon, 10 Aug 2026 00:15:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.023605
- Title: GALA: Graph-Augmented LLM Agents for Root Cause Analysis and Incident Response in Microservices
- Title（参考訳）: GALA: マイクロサービスにおけるルート原因解析とインシデント応答のためのグラフ強化LDMエージェント
- Authors: Yifang Tian, Yaming Liu, Zichun Chong, Zihang Huang, Yiran Li, Hans-Arno Jacobsen,
- Abstract要約: 本稿では,グラフ誘導調査を中心とした LLM エージェントフレームワークである GALA+ について述べる。
GALA+は、ランク付けされた診断、インシデントサマリー、および階層化されたアクションレコメンデーションを生成する。
2つのマイクロサービスベンチマークでは、GALA+が最強の結果を継続的に達成している。
- 参考スコア（独自算出の注目度）: 7.985937450027174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Microservice root cause analysis (RCA) requires correlating failures across heterogeneous telemetry within complex service dependency graphs. Existing methods often rely on a single telemetry modality; recent LLM-based approaches can suffer from unconstrained exploration and hallucination; and most systems stop at fault ranking without producing actionable incident response. We present GALA+, a graph-augmented LLM agentic framework centered on graph-guided investigation, which uses service dependencies to bound exploration and refine diagnosis through localized multi-modal evidence. For initial hypothesis generation, GALA+ combines complementary telemetry signals with STRIX, a novel trace- and graph-structure-aware scoring module. GALA+ then produces ranked diagnoses, incident summaries, and stratified action recommendations. We further introduce SURE-Score, a human-guided evaluation framework co-developed with industry SRE experts for assessing RCA-specific output quality beyond conventional text similarity metrics. On two microservice benchmarks, GALA+ consistently achieves the strongest overall results, surpassing the best LLM-based baseline by more than 25 percentage points in AC@1, while also receiving the highest ratings from both SURE-Score and independent human SRE evaluation.
- Abstract（参考訳）: マイクロサービス根本原因分析(RCA)は、複雑なサービス依存グラフ内の異種テレメトリ間の障害を関連付ける必要がある。
既存の手法はしばしば単一のテレメトリのモダリティに依存しており、最近のLCMベースのアプローチは、制約のない探索と幻覚に悩まされ、ほとんどのシステムは、実行可能なインシデント応答を発生させることなく、フォールトランキングで停止する。
本稿では,グラフ誘導調査を中心としたLLMエージェントフレームワークであるGALA+について述べる。
最初の仮説生成のために、GALA+は補間テレメトリ信号とSTRIXを結合する。
GALA+は、ランク付けされた診断、インシデントサマリー、および階層化されたアクションレコメンデーションを生成する。
我々はさらに、従来のテキスト類似度指標を超えるRCA固有の出力品質を評価するために、業界SRE専門家と共同開発した人手による評価フレームワークSURE-Scoreを紹介する。
2つのマイクロサービスベンチマークにおいて、GALA+は一貫して最強の総合的な結果を達成し、最高のLCMベースのベースラインを25パーセント以上上回るAC@1、SUREスコアと独立した人間のSRE評価から最高評価を受けている。
関連論文リスト
- 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) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought [22.98209081540165]
マイクロサービスシステムのための詳細な根本原因ローカライゼーションフレームワークであるRCLAgentを紹介します。
RCLAgentは、各スパンを専用エージェントに割り当てることで、トレースグラフに沿って診断プロセスを分解する。
ローカライズ精度と推論効率の両方において、最先端の手法を一貫して上回る。
論文 参考訳（メタデータ） (2026-05-14T14:13:59Z) - MedMeta: A Benchmark for LLMs in Synthesizing Meta-Analysis Conclusion from Medical Studies [0.8322112116381115]
大規模言語モデル(LLM)は、実際のリコールをテストする飽和標準医療ベンチマークを持つ。
MedMetaはLLMが医療メタ分析から結論を出す能力を評価するために設計された最初のベンチマークである。
論文 参考訳（メタデータ） (2026-05-10T17:20:39Z) - 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) - METER: Evaluating Multi-Level Contextual Causal Reasoning in Large Language Models [61.33372454250959]
コンテキスト因果推論は、大規模言語モデルにとって重要なが難しい能力である。
既存のベンチマークでは、コンテキスト整合性を保証するか、完全な因果階層をカバーすることができない。
私たちはMETERの先駆者であり、因果はしごの3つのレベルすべてにわたってLSMを体系的にベンチマークしました。
論文 参考訳（メタデータ） (2026-04-13T14:07:11Z) - 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) - 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) - Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。
本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文 参考訳（メタデータ） (2025-04-14T10:06:27Z)
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。