論文の概要: A Hybrid Rule-Based and AI-Augmented Framework for Automatic Failure Recovery in DevOps Deployments

• arxiv url: http://arxiv.org/abs/2609.26838v1
• Date: Mon, 21 Sep 2026 20:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.695724
• Title: A Hybrid Rule-Based and AI-Augmented Framework for Automatic Failure Recovery in DevOps Deployments
• Title（参考訳）: DevOpsデプロイメントにおける自動障害復旧のためのハイブリッドルールベースとAI拡張フレームワーク
• Abstract要約: 本研究では, 決定論的, 規則に基づくリカバリと, 故障予測による機械学習を併用したハイブリッドモデルを提案する。 アーキテクチャをテストするために、Decision Tree、Random Forest、Logistic Regression、LightGBM、Autoencoder with BiLSTMといったモデルに10万レコードの分散ログデータセットが使用された。 83.3%の成功率は自動回復策によって達成され、平均回復時間(MTTR)は94.6%減少し、ダウンタイムは95.4%減少し、年間貯蓄は7,462人となった。
• 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: Automatic failure recovery is another difficult area of DevOps deployments due to the complexity of the system, high workload and the limitations of the traditional rules-based or manual approach. This study proposes a hybrid model integrating deterministic, rule-based recovery with the assistance of machine learning by fault prediction to automatically monitor failures, identify, classify and recover failures in real time. To test the architecture, a distributed log dataset of 100,000 records was used for models such as Decision Tree, Random Forest, Logistic Regression, LightGBM, Autoencoder with BiLSTM. The Decision Tree had a strong performance in defect identification with an F1 score of 80.8%, recall of 80.0%, precision of 81.6%, and accuracy of 89.4%. An impressive 83.3% success rate was achieved by the automated recovery measures, resulting in a 94.6% decrease in mean time to recovery (MTTR), a 95.4% reduction in downtime, and annual savings of 7,462. The combination of explainable rule-based logic and adaptive AI prediction in the framework means it is more resilient, operationally efficient, and scalable, and an effective, autonomous approach to DevOps environments evaluated under controlled experimental conditions.
• Abstract（参考訳）: 自動障害復旧は、システムの複雑さ、高いワークロード、従来のルールベースの手動アプローチの制限など、DevOpsデプロイメントの難しい部分のひとつだ。 本研究は,障害を自動的に監視し,特定し,分類し,リアルタイムで回復するために,決定論的かつ規則に基づく回復と,障害予測による機械学習の支援を統合するハイブリッドモデルを提案する。 アーキテクチャをテストするために、Decision Tree、Random Forest、Logistic Regression、LightGBM、Autoencoder with BiLSTMといったモデルに10万レコードの分散ログデータセットが使用された。 決定木はF1スコアが80.8%、リコールが80.0%、精度が81.6%、精度が89.4%の欠陥識別性能が強い。 83.3%の成功率は自動回復策によって達成され、平均回復時間(MTTR)は94.6%減少し、ダウンタイムは95.4%減少し、年間貯蓄は7,462人となった。 フレームワークにおける説明可能なルールベースのロジックと適応型AI予測の組み合わせは、よりレジリエントで、運用効率が良く、スケーラブルであり、制御された実験条件下で評価されたDevOps環境に対する効果的な自律的なアプローチであることを意味します。

関連論文リスト

• When Web Apps Heal Themselves: A MAPE-K Based Approach to Fault Tolerance and Adaptive Recovery [0.0]
  本研究では,共有知識ベース上でのモニタ・アナライズ・プラン実行に基づくモジュール型自己修復フレームワークを提案する。 適応的な障害回復のためのAutoFixにインスパイアされたメカニズムと統合されている。 提案されたフレームワークは、F1スコアの平均90.7%、リカバリ成功率93.2%を達成した。
  論文  参考訳（メタデータ） (2026-05-19T02:17:24Z)
• Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
  我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。 メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。 冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
  論文  参考訳（メタデータ） (2026-05-11T06:45:00Z)
• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Resource-Efficient Automatic Software Vulnerability Assessment via Knowledge Distillation and Particle Swarm Optimization [8.132644507041922]
  本稿では,知識蒸留と粒子群最適化を統合し,自動脆弱性評価を実現する新しい資源効率フレームワークを提案する。 まず、粒子群最適化を用いて、コンパクトな学生モデルのアーキテクチャを最適化する。 第2に,大きな教師モデルから最適化された学生モデルへの重要な脆弱性評価知識の伝達に,知識蒸留を適用した。
  論文  参考訳（メタデータ） (2025-07-30T13:55:28Z)
• Boosting LLM Reasoning via Spontaneous Self-Correction [43.4980625253775]
  数学推論を改善するためのアプローチの1つは自己補正である。 既存の自己補正アプローチは、修正を独立したポストジェネレーションとして扱う。 本研究では,LLMが単一推論パスでインターリーブされた解と検証を生成できる自己補正手法であるSPOCを提案する。
  論文  参考訳（メタデータ） (2025-06-07T21:23:00Z)
• Predictive Crash Analytics for Traffic Safety using Deep Learning [0.0]
  本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。 我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。 本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
  論文  参考訳（メタデータ） (2025-02-09T05:00:46Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)

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。