論文の概要: SH-PDOPS: AI-Driven Cloud Native Enterprise Reliability Framework for Predictive Analytics and Intelligent DevOps Automation
- arxiv url: http://arxiv.org/abs/2609.04210v1
- Date: Sun, 14 Jun 2026 04:26:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.458029
- Title: SH-PDOPS: AI-Driven Cloud Native Enterprise Reliability Framework for Predictive Analytics and Intelligent DevOps Automation
- Title（参考訳）: SH-PDOPS: 予測分析とインテリジェントDevOps自動化のためのAI駆動のクラウドネイティブなエンタープライズ信頼性フレームワーク
- Abstract要約: このフレームワークは、マシンラーニングモデル、オーケストレーション、可観測性パイプライン、自動インシデント応答メカニズムを統合する。
この研究では、予測障害検出、異常監視、自己修復インフラストラクチャ、クラウドネイティブテクノロジを使用したCI/CD最適化について検討している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an AI-driven cloud-native enterprise reliability framework designed to improve predictive analytics, intelligent DevOps automation, and system resilience in modern distributed infrastructures. The proposed framework integrates machine learning models, Kubernetes orchestration, observability pipelines, and automated incident response mechanisms to enhance reliability engineering practices. The study explores predictive failure detection, anomaly monitoring, self-healing infrastructure, and CI/CD optimization using cloud-native technologies. Experimental evaluation demonstrates improved operational efficiency, reduced downtime, and enhanced scalability for enterprise environments. The framework provides a practical approach for combining artificial intelligence with DevOps methodologies to achieve adaptive and autonomous infrastructure management.
- Abstract（参考訳）: 本稿では、現代の分散インフラにおける予測分析、インテリジェントなDevOps自動化、システムのレジリエンスを改善するために設計された、AI駆動のクラウドネイティブなエンタープライズ信頼性フレームワークを提案する。
提案されたフレームワークは、マシンラーニングモデル、Kubernetesオーケストレーション、可観測性パイプライン、自動インシデント応答メカニズムを統合して、信頼性エンジニアリングプラクティスを強化している。
この研究では、予測障害検出、異常監視、自己修復インフラストラクチャ、クラウドネイティブテクノロジを使用したCI/CD最適化について検討している。
実験による評価では、運用効率の向上、ダウンタイムの削減、エンタープライズ環境のスケーラビリティの向上などが示されている。
このフレームワークは、適応的で自律的なインフラストラクチャ管理を実現するために、人工知能とDevOps方法論を組み合わせるための実践的なアプローチを提供する。
関連論文リスト
- EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Transforming the Hybrid Cloud for Emerging AI Workloads [82.21522417363666]
このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。
提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。
この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
論文 参考訳（メタデータ） (2024-11-20T11:57:43Z) - Science based AI model certification for untrained operational environments with application in traffic state estimation [1.2186759689780324]
さまざまなエンジニアリング領域における人工知能(AI)の役割の拡大は、AIモデルを新たな運用環境にデプロイする際の課題を強調している。
本稿では,未訓練の運用環境における事前学習データ駆動モデルの適用可能性を評価するための,科学ベースの認証手法を提案する。
論文 参考訳（メタデータ） (2024-03-21T03:01:25Z)
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。