論文の概要: EviRCA: Decoupling Evidence Extraction from Reasoning for Microservice Root-Cause Analysis

• arxiv url: http://arxiv.org/abs/2609.19825v1
• Date: Thu, 17 Sep 2026 07:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.153109
• Title: EviRCA: Decoupling Evidence Extraction from Reasoning for Microservice Root-Cause Analysis
• Title（参考訳）: EviRCA: マイクロサービス根管解析のための推論からの証拠抽出の分離
• Abstract要約: 大規模言語モデル(LLM)を用いた根本原因分析(RCA)フレームワークであるEviRCAを提案する。 システムに依存しない抽出段階は、生のメトリクス、トレース、ログを忠実なマルチモーダルエビデンスカードのコンパクトなセットに変換する。 3つのエンタープライズシステムにまたがる実異種テレメトリから構築したベンチマークであるOpenRCA上でのEviRCAを評価する。
• 参考スコア（独自算出の注目度）: 19.05881915752491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Root-cause analysis (RCA) is a critical yet labor-intensive task for maintaining modern microservice systems, making it an attractive target for large language models (LLMs). Recent agentic approaches allow an LLM to iteratively explore raw telemetry by generating and executing code, asking a single model to simultaneously retrieve evidence, localize faults, and infer root causes over large volumes of heterogeneous telemetry, which leads to high computational cost, unstable behavior, and limited diagnostic accuracy. However, raw telemetry consists of numeric metrics, structured traces, and machine-generated logs that are not directly suitable for LLM processing. We present EviRCA, a framework for LLM-based RCA that decouples deterministic evidence extraction from LLM reasoning. A system-agnostic extraction stage converts raw metrics, traces, and logs into a compact set of faithful multimodal evidence cards, while the LLM reasons only over these structured observations through a small set of predefined read-only tools, without accessing raw telemetry or executing code. We evaluate EviRCA on OpenRCA, a benchmark built from real, heterogeneous telemetry across three enterprise systems. EviRCA achieves a correct rate of 40.6%-43.9% across two different LLMs, substantially outperforming prior OpenRCA baselines that achieve up to 15.2%, while reducing token consumption by 15-26x and execution time by 3-20x. Moreover, EviRCA solves hard cases requiring simultaneous reasoning over time, components, and root causes, a setting where previous approaches reported near-zero performance. Our process-level failure analysis further shows that the bottleneck lies in judging the evidence that the extraction stage has already surfaced, rather than searching for it, suggesting that the effectiveness of LLM-based RCA depends heavily on the quality of evidence extraction.
• Abstract（参考訳）: ルート原因分析(RCA)は、現代のマイクロサービスシステムを維持する上で、重要かつ労働集約的なタスクであり、大きな言語モデル(LLM)の魅力的なターゲットとなっている。 近年のエージェント的アプローチにより、LLMはコードの生成と実行によって生のテレメトリを反復的に探索し、単一モデルに証拠を同時に検索し、欠陥をローカライズし、根本原因を大量の異種テレメトリに推論するように求め、高い計算コスト、不安定な振る舞い、限られた診断精度をもたらす。 しかし、生のテレメトリは、数値メトリクス、構造化トレース、LLM処理に適さない機械生成ログで構成されている。 本稿では, LLM推論から抽出した決定論的証拠を分離する, LLMに基づくRCAのためのフレームワークであるEviRCAを提案する。 システムに依存しない抽出段階は、生のメトリクス、トレース、ログを忠実なマルチモーダルエビデンスカードのコンパクトなセットに変換するが、LCMは生のテレメトリにアクセスしたりコードを実行したりすることなく、未定義のリードオンリーツールの小さなセットを通してのみこれらの構造化された観察を行う。 3つのエンタープライズシステムにまたがる実異種テレメトリから構築したベンチマークであるOpenRCA上でのEviRCAを評価する。 EviRCA は2つの異なる LLM に対して 40.6%-43.9% の正しいレートを達成し、トークン消費を 15.2% に減らし、実行時間を 3-20倍に減らした。 さらに、EviRCAは、時間、コンポーネント、根本原因の同時推論を必要とするハードケースを解決している。 プロセスレベルの故障解析は,抽出段階が既に表面化している証拠を検索するよりも,抽出段階がすでに表面化している証拠を判断する上でボトルネックが重要であることを示し,LCMに基づくRCAの有効性が証拠抽出の品質に大きく依存していることを示唆している。

関連論文リスト

• How Far Can Root Cause Analysis Go on Real-World Telemetry Data? [0.8594140167290097]
  従来の因果探索法や既存のLLMベースのマルチエージェントシステムでは根本原因を確実に特定できないことを示す。 本稿では,既存のLLMベースおよび古典的ベースラインを著しく上回る構造的マルチエージェントRCAパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-15T07:54:46Z)
• 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)
• CauTion: Knowing When to Trust LLMs for Ensemble Causal Discovery [51.07538881798502]
  大規模言語モデル(LLM)は、統計的推論を補完する将来的なドメイン知識の源を提供する。 我々は、LLMドメイン知識を統計的因果探索アルゴリズムのアンサンブルに確実に統合するフレームワークであるCauTionを提案する。 CauTionは、データ中心とLLM拡張ベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-02T13:07:43Z)
• 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)
• 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)
• Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism [19.31110304702373]
  SpecRCAは、thithypothesize-then-verifyパラダイムを採用した投機的根本原因分析フレームワークである。 AIOps 2022に関する予備的な実験では、既存のアプローチよりも精度と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2026-01-06T05:58:25Z)
• Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
  データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。 本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
  論文  参考訳（メタデータ） (2025-11-09T03:38:29Z)
• 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)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)

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。