論文の概要: Beyond Fixed Fault Models: Comparing LLM-Based and Rule-Based Fault Injection in OpenStack

• arxiv url: http://arxiv.org/abs/2609.08681v1
• Date: Tue, 08 Sep 2026 12:51:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:03:24.566549
• Title: Beyond Fixed Fault Models: Comparing LLM-Based and Rule-Based Fault Injection in OpenStack
• Title（参考訳）: 修正されたフォールトモデルを超えて: OpenStackのLLMベースとルールベースのフォールトインジェクションを比較する
• Abstract要約: ソフトウェア欠陥注入(Software Fault Injection, SFI)は、ソフトウェア欠陥を導入し、そのマニフェストを観察することで、クラウドシステムのテストをサポートする。 ProFIPyのようなルールベースのインジェクタは、制御され再現可能なソースレベルの突然変異を提供するが、手動でコード化するためにフォールトパターンを必要とする。 大規模言語モデル(LLM)は、コンテキスト依存のソフトウェア障害を生成することで、データ駆動の代替手段を提供する。
• 参考スコア（独自算出の注目度）: 3.6223576377024034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software Fault Injection (SFI) supports testing of cloud systems by introducing software defects and observing their manifestation. Rule-based injectors such as ProFIPy provide controlled and reproducible source-level mutations but require fault patterns to be encoded manually. Large Language Models (LLMs) offer a data-driven alternative by generating context-dependent software faults. We compare two code LLMs, Qwen2.5-Coder and DeepSeek-Coder, with ProFIPy in OpenStack's Nova and Cinder services. On shared injection targets, activation and observable-failure rates are comparable, but operational profiles differ: LLM-generated faults produce more Catastrophic outcomes on Nova, whereas ProFIPy produces more Silent and Multi-component effects. The sampled LLM outputs also differ in how they manifest failure, while showing greater agreement in their propagation scope. These findings show that LLM-based fault injection extends the behavioral coverage of fixed fault models without establishing general superiority, and that practical adoption still requires controlled generation, runtime validation, system-level oracles, and reproducible experimental provenance.
• Abstract（参考訳）: ソフトウェア欠陥注入(Software Fault Injection, SFI)は、ソフトウェア欠陥を導入し、そのマニフェストを観察することで、クラウドシステムのテストをサポートする。 ProFIPyのようなルールベースのインジェクタは、制御され再現可能なソースレベルの突然変異を提供するが、手動でコード化するためにフォールトパターンを必要とする。 大規模言語モデル(LLM)は、コンテキスト依存のソフトウェア障害を生成することで、データ駆動の代替手段を提供する。 我々は、Qwen2.5-CoderとDeepSeek-Coderの2つのコードLLMと、OpenStackのNovaおよびCinderサービスのProFIPyを比較した。 共有注入ターゲットでは、アクティベーションとオブザーバブル・フェイルレートは同等であるが、運用上のプロファイルが異なる: LLM生成断層はノバス上で破滅的な結果をもたらすが、ProFIPyはよりサイレントで多成分な効果をもたらす。 サンプルLLM出力は、その伝播範囲により大きな一致を示しながら、失敗を示す方法が異なる。 これらの結果から, LLMに基づく断層注入は, 一般の優位性を確立することなく, 一定の断層モデルの挙動範囲を拡大し, 実際に適用するには, 制御生成, 実行時検証, システムレベルのオーラクル, 再現可能な実験結果が必要であることが示唆された。

関連論文リスト

• LLM Detection as an Intervention: Downstream Impact under Strategic User Behavior [53.63441578662801]
  インタクタは、検出された属性自身だけでなく、LLM使用率や出力品質などの下流メトリクスを操縦する介入として動作する。 我々は,LLMの使用量を戦略的に選択し,コンテンツ後処理によって検出された属性を減らし,その特性を定量的に把握するスタイリングモデルを開発した。 検出された属性を低減しても出力品質は向上するが,LDM検出器を導入することで,ユーザは低品質の出力が得られる。
  論文  参考訳（メタデータ） (2026-07-21T17:11:02Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Exploring LLM-based Frameworks for Fault Diagnosis [2.2562573557834686]
  大規模言語モデル(LLM)に基づくシステムは,センサリッチ産業環境における自律型健康モニタリングの新たな機会を提供する。 本研究では,LLMがセンサデータから直接障害を検出し,分類すると同時に,自然言語の推論を通じて本質的に説明可能なアウトプットを生成する可能性について検討する。
  論文  参考訳（メタデータ） (2025-09-27T04:53:15Z)
• When the Code Autopilot Breaks: Why LLMs Falter in Embedded Machine Learning [0.8880611506199766]
  我々は、形式、モデル行動、構造的仮定が成功率と失敗特性の両方にどのように影響するかを示す。 私たちの分析では、フォーマットによる誤解釈や、コンパイルされるが下流で壊れる実行時ディスラプティブコードなど、さまざまなエラーが発生しやすい挙動を明らかにしています。
  論文  参考訳（メタデータ） (2025-09-13T19:00:04Z)
• Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs [5.10123605644148]
  自動脆弱性修復(AVR: Automated Vulnerability repair)は、プログラム修復の急激な分岐である。 近年の研究では、大きな言語モデル(LLM)が従来の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-07-28T16:39:16Z)
• Fast-dLLM: Training-free Acceleration of Diffusion LLM by Enabling KV Cache and Parallel Decoding [51.711605076319216]
  拡散に基づく大規模言語モデル (Diffusion LLM) は、並列復号機能を持つ非自己回帰テキスト生成を約束している。 本稿では,双方向拡散モデルに適したブロック単位で近似したKVキャッシュ機構を提案する。 本稿では,信頼しきい値を超えるトークンを選択的に復号し,依存関係違反を軽減し,生成品質を維持できる信頼度対応並列復号方式を提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:39:15Z)
• Teaching Your Models to Understand Code via Focal Preference Alignment [70.71693365502212]
  既存の手法では、テストケースの成功率に基づいてn個の候補解が評価される。 このアプローチは、特定のエラーを特定するのではなく、失敗するコードブロック全体を整列するので、意味のあるエラーと訂正の関係を捉えるのに必要な粒度が欠けている。 我々は、人間の反復デバッグを模倣してコードLLMを洗練させる新しい優先順位調整フレームワークであるTarget-DPOを提案する。
  論文  参考訳（メタデータ） (2025-03-04T16:56:34Z)
• Provenance: A Light-weight Fact-checker for Retrieval Augmented LLM Generation Output [49.893971654861424]
  検索強化生成(RAG)から非実効出力を検出する軽量な手法を提案する。 私たちは、二項決定を下すためにしきい値にできる事実性スコアを計算します。 実験の結果, ROC曲線 (AUC) の下では, 関連するオープンソースデータセットの広範囲にわたって高い面積を示すことができた。
  論文  参考訳（メタデータ） (2024-11-01T20:44:59Z)
• DALD: Improving Logits-based Detector without Logits from Black-box LLMs [56.234109491884126]
  大規模言語モデル(LLM)はテキスト生成に革命をもたらし、人間の文章を忠実に模倣する出力を生成する。 我々は、ブラックボックステキスト検出における最先端性能を再定義する革新的なフレームワークであるDLD(Dis Distribution-Aligned LLMs Detection)を提案する。 DALDは、サロゲートモデルの分布を未知の目標LLMの分布と整合させ、高速モデルの反復に対する検出能力とレジリエンスを向上するように設計されている。
  論文  参考訳（メタデータ） (2024-06-07T19:38:05Z)

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。