論文の概要: ARGUS: MCP-Grounded Root Cause Analysis for Kubernetes Incidents
- arxiv url: http://arxiv.org/abs/2608.23084v1
- Date: Mon, 24 Aug 2026 10:48:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.997494
- Title: ARGUS: MCP-Grounded Root Cause Analysis for Kubernetes Incidents
- Title（参考訳）: ARGUS: Kubernetesインシデントに対するMPPを取り巻くルート原因分析
- Abstract要約: ARGUSは、Prometheusの状態、メトリクス、ログ、NATSメッセージングをカバーするCMPサーバを介して、商用とライブの可観測データを接続する。
ARGUSは10のシナリオすべてにおいて正しい根本原因をMCP成功率0.91と命名した。
私たちの中心的な発見は、診断/規範的非対称性である:ARGUSは、何がうまくいかなかったのかを確実に特定するが、次に何をすべきかを特定するには信頼性が低く、信頼できないと見なされる。
- 参考スコア（独自算出の注目度）: 0.9685837672183747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kubernetes incident triage requires correlating signals from metrics, logs, container state, and messaging systems across multiple monitoring tools, a fragmented workflow that slows diagnosis and contributes to alert fatigue. Large language models (LLMs) have shown promise for automated root cause analysis (RCA), but existing systems rely on custom, system-specific data access layers that cannot be reused across organisations. We present ARGUS, an MCP-grounded RCA assistant that connects a commercial LLM to live Kubernetes observability data through standardised MCP servers covering Kubernetes state, Prometheus metrics, Loki logs, and NATS messaging, and delivers structured diagnostic summaries inside the Slack incident channel where on-call engineers already work. We conduct a preliminary evaluation of ARGUS using three complementary methods: controlled fault injection across ten Kubernetes incident scenarios, rubric-based scoring of the resulting RCA summaries on three dimensions, and semi-structured interviews with six on-call engineers at an industrial partner. ARGUS named the correct root cause in all ten scenarios with an aggregate MCP success ratio of 0.91. Practitioners trusted the diagnostic output but consistently expressed scepticism toward the recommended fixes. Our central finding is a diagnostic/prescriptive asymmetry: ARGUS reliably identifies what went wrong, but is perceived as less reliable or trustworthy at specifying what to do next. This pattern can be observed across all three evaluation methods, and has important implications for future autonomous agentic incident handling systems.
- Abstract（参考訳）: Kubernetesインシデントトリアージでは、メトリクス、ログ、コンテナ状態、メッセージングシステムの信号を複数の監視ツールにわたって関連付ける必要がある。
大規模言語モデル(LLM)は、自動根本原因分析(RCA)を約束しているが、既存のシステムは、組織全体で再利用できない、独自のシステム固有のデータアクセス層に依存している。
私たちは、商用のLCMを接続して、Kubernetes状態、Prometheusメトリクス、ロキログ、NATSメッセージングをカバーする標準化されたMPPサーバを介して、Kubernetesの可観測データをライブする、CMP地上のRCAアシスタントであるARGUSを紹介し、オンコールエンジニアがすでに動作しているSlackインシデントチャネル内で構造化された診断サマリを提供する。
10のKubernetesインシデントシナリオに対する制御障害インジェクション、結果のRCAサマリーを3次元で評価するルーリックベースのスコア、産業パートナの6人のオンコールエンジニアとの半構造化インタビュー、という3つの補完的な方法によるARGUSの予備的な評価を行う。
ARGUSは10のシナリオすべてにおいて正しい根本原因をMCP成功率0.91と命名した。
専門家は診断出力を信頼していたが、常に推奨された修正に対して懐疑的であった。
私たちの中心的な発見は、診断/規範的非対称性である:ARGUSは、何がうまくいかなかったのかを確実に特定するが、次に何をすべきかを特定するには信頼性が低く、信頼できないと見なされる。
このパターンは3つの評価手法すべてにわたって観察でき、将来の自律型エージェントインシデントハンドリングシステムに重要な意味を持つ。
関連論文リスト
- Log-Insight: Automating Microservice Incident Diagnosis via Neuro-Symbolic Log Analysis [4.172239714799967]
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。
論文 参考訳（メタデータ） (2026-07-09T14:25:31Z) - 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) - Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。
本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。
textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
論文 参考訳（メタデータ） (2026-06-30T08:07:25Z) - Agentic AI-based Framework for Mitigating Premature Diagnostic Handoff and Silent Hallucination in Healthcare Applications [17.69274632062373]
オープンエンドの会話エージェントは、早期診断ハンドオフとサイレントな臨床幻覚という、2つの重要な障害モードを伴いがちである。
LLM-as-a-judge'のルーティングを決定論的オーケストレーション制約に置き換えることで、両方の問題に対処するマルチエージェントフレームワークを提案する。
本稿では,150症例を対象に,ラマ3.1-70b-インストラクトモデルを用いたシミュレートされた患者エージェントを用いたシステムの評価を行った。
論文 参考訳（メタデータ） (2026-06-16T15:39:19Z) - From Detection to Response: A Deep Learning and Retrieval-Augmented Generation Framework for Network Intrusion Mitigation [0.7136933021609079]
本稿では,脅威検出と行動応答のギャップを埋める統一的なエンドツーエンドフレームワークを提案する。
まず、独立に訓練された3つのバイナリディープニューラルネットワーク(DNN)のアンサンブルで、ネットワークトラフィックフローをBenign, Denial of Service(DoS)またはDistributed Denial of Service(DDoS)に分類する。
第2に、Retrieval-Augmented Generation (RAG)パイプラインは、トップ5の異常な機能から説明対応プロンプトを構築する。
論文 参考訳（メタデータ） (2026-05-18T07:17:55Z) - 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) - Arbiter: Detecting Interference in LLM Agent System Prompts [0.0]
Arbiterは、システムプロンプト内の干渉パターンを検出するために、形式的評価ルールとマルチモデルLCMスカーリングを組み合わせたフレームワークである。
Claude Code (Anthropic), Codex CLI (OpenAI), Gemini CLI (Google)の3つの主要なコーディングエージェントシステムに適用される。
論文 参考訳（メタデータ） (2026-03-09T22:29:47Z) - 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) - MicroRCA-Agent: Microservice Root Cause Analysis Method Based on Large Language Model Agents [12.160412894251406]
MicroRCA-Agentは、大規模な言語モデルエージェントに基づいたマイクロサービスの根本原因分析のための革新的なソリューションである。
提案したソリューションは、複雑なマイクロサービス障害シナリオにおいて優れたパフォーマンスを示し、最終的なスコアは50.71である。
論文 参考訳（メタデータ） (2025-09-19T05:57:03Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。
RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。
RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-25T03:53:31Z)
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。