論文の概要: Does Graph Structure Earn Its Place in Microservice Root-Cause Analysis? A Controlled Study on RCAEval, and What the Benchmark Was Really Measuring

• arxiv url: http://arxiv.org/abs/2609.27069v1
• Date: Tue, 22 Sep 2026 21:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.77372
• Title: Does Graph Structure Earn Its Place in Microservice Root-Cause Analysis? A Controlled Study on RCAEval, and What the Benchmark Was Really Measuring
• Title（参考訳）: マイクロサービスルートケース分析におけるグラフ構造の役割 : RCAEvalの制御された研究とベンチマークの実際の測定結果
• Abstract要約: グラフニューラルネットワークは、マイクロサービスの根本原因分析に関する最近の研究を支配しているが、最近の結果は、グラフが寄与するかどうかを疑問視している。 RCAEvalでは、同じ特徴を持つ3つの学習アーム、オプティマイザ、バリデーション分割、アーリーストッピングルール、スコアリングヘッドの3つを比較した。 2つのRCAEvalベンチマーク、2つのトポロジーソース、4つのレギュレーションで、信頼できるグラフ固有の効果は見つからない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks dominate recent work on microservice root-cause analysis, yet recent results question whether the graph contributes. Those results compare whole pipelines, so when a flat model wins one cannot tell whether structure is useless or redundant. We run the comparison they imply on RCAEval: three learned arms with identical features, optimiser, validation split, early-stopping rule and scoring head, in which a single term separates the graph arms. Across two RCAEval benchmarks, two topology sources and four regimes we find no reliable graph-specific effect: in-distribution the graph model leads the conventional flat model by 0.003 Avg@5 (p = 0.844, n = 6 disjoint folds). Auditing the pipeline surfaced two benchmark properties that condition any result on it. RCAEval injects faults into only five services per system while exposing 12 to 70 in telemetry, and the headline metric is Avg@5: a ranker reading no telemetry at all places the true culprit in the top five on 99.7 percent of held-out incidents, scoring Avg@5 0.488. That prior, not the uniform-random 0.137, is the honest in-distribution floor, and it collapses to 0.192 across systems. The second property is a non-uniform column schema that silently zeroes telemetry for most RE1 cases. We reproduce a published baseline, BARO, RCAEval's own reference implementation; on the one system with a clean schema it reaches similar aggregate accuracy to our heuristic, within 0.004, under a different scoring rule. The audit motivated a new model. PSC-GRCA separates a candidate score into a system prior, telemetry evidence and a centred graph residual, and reaches mean Avg@5 0.915 against 0.864 for the flat baseline, while its ablations locate most of the gain in the prior term rather than the graph. We close with a twelve-item checklist for graph-versus-flat ablation studies, distilled from sixty-two recorded defects.
• Abstract（参考訳）: グラフニューラルネットワークは、マイクロサービスの根本原因分析に関する最近の研究を支配しているが、最近の結果は、グラフが寄与するかどうかを疑問視している。 これらの結果はパイプライン全体を比較するため、フラットモデルが勝つと、構造が役に立たないか冗長であるかを判断できない。 RCAEvalで示される比較を行う: 同じ特徴を持つ3つの学習アーム、オプティマイザ、バリデーション分割、早期停止ルール、スコアヘッド。 2つのRCAEvalベンチマーク、2つのトポロジー源、および4つのレギュレーションで、信頼できるグラフ固有の効果は見つからない: グラフモデルを分配すると、従来のフラットモデルを0.003 Avg@5 (p = 0.844, n = 6 の非随伴フォールド) で導く。 パイプラインを監査すると、2つのベンチマーク特性が浮上し、その結果が条件づけられた。 RCAEvalは、テレメトリで12から70を露出しながら、システム毎にたった5つのサービスに障害を注入する。 その前者は、一様ランダムの0.137ではなく、誠実な分配フロアであり、システム全体で0.192に崩壊する。 2つ目の特性は、ほとんどのRE1ケースで無音でテレメトリをゼロにする、一様でない列スキーマである。 我々は、RCAEvalのリファレンス実装であるBAROを再現し、クリーンなスキーマを持つ1つのシステムでは、0.004の範囲で、異なるスコアリングルールの下で、我々のヒューリスティックに類似した集計精度に達する。 その監査は新しいモデルを動機づけた。 PSC-GRCAは、候補スコアを事前のシステム、テレメトリエビデンス、中心グラフ残差に分離し、平均 Avg@5 0.915 に到達し、フラットベースラインの 0.864 に対して平均 Avg@5 0.915 に達する。 我々は,62件の欠陥から抽出したグラフ逆フラットアブレーション研究の12項目のチェックリストをクローズした。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
  動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。 検出器は凍結されているため、検出性能は正確に保存される。 X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
  論文  参考訳（メタデータ） (2026-08-12T15:58:27Z)
• Adversarial Test-Hardening for AI-Written Code: An Instrument Autopsy and a Pre-Registered Causal Estimate of the Critic Loop [0.0]
  メカニカルオラクル下での対向試験硬化ループについて検討した。 テスタモデルはテストを書き、変異テスト名は生き残った欠陥を注入し、Cryticモデルはテストを書き、それらを正確に実行します。 私たちは、すべてのレシートと分析コードの両方のプロトコルをリリースします。
  論文  参考訳（メタデータ） (2026-07-25T02:38:07Z)
• Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
  電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。 アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-20T14:10:59Z)
• Auditable Graph-Guided Root Cause Analysis for Kubernetes Incidents [1.116726665785374]
  LLM推論と特殊なツールを組み合わせたグラフ誘導RCAエージェントであるグラフトラバースエージェントを提案する。 我々は、読み取り専用エビデンス収集、伝搬認識診断、有界実行、独立に検証された検証を含む運用上の制約をマップする。 ある固定されたqwenオーバージャッジによってスコアされたITBenchスナップショットでは、監査されたシステムは、同じシステムの初期のイテレーションに対してルート因果F1を上昇させる。
  論文  参考訳（メタデータ） (2026-06-07T12:05:09Z)
• Reasoning Graphs: Self-Improving, Deterministic RAG through Evidence-Centric Feedback [0.0]
  言語モデルエージェントは、クエリ毎にスクラッチから推論し、各実行後に思考の連鎖を破棄する。 このグラフ構造は,エビデンス・チェーンを,評価項目に関連付けられた構造化されたエッジとみなす。 逐次クラスタプロトコル,高再利用デプロイメントシミュレーション,決定論的実験を用いて,MuSiQueとHotpotQAの評価を行った。
  論文  参考訳（メタデータ） (2026-04-08T20:57:21Z)
• Model Discovery and Graph Simulation: A Lightweight Gateway to Chaos Engineering [0.0]
  カオスエンジニアリングはレジリエンスのリスクを明らかにしますが、広く頻繁に実行するには高価で運用上のリスクがあります。 我々は、単純な接続のみのトポロジモデルにより、フェールストップフォールトの下で、高速で低リスクなアベイラビリティー推定を行うことができると主張している。
  論文  参考訳（メタデータ） (2025-06-12T10:59:28Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)

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。