論文の概要: From Alert Floods to Precedence Forests: Zero-Prior-Knowledge Incident Triage with LOGOS

• arxiv url: http://arxiv.org/abs/2610.02297v1
• Date: Thu, 01 Oct 2026 17:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:20:54.743809
• Title: From Alert Floods to Precedence Forests: Zero-Prior-Knowledge Incident Triage with LOGOS
• Title（参考訳）: アラート洪水から先駆林:LOGOSによるゼロ・プリア・ノウドリッジ事件
• Abstract要約: 本報告では, 原ログ線をコンパクトな優占林に崩壊させるため, 実体空間的共起と時間的優占を利用する教師なしシステムであるLOGOSについて述べる。 LOGOSは、シードクエリや観察された症状、事前に定義されたインシデント境界を必要としない、事前知識のゼロで動作する。 壁面中央値4.5分では、LOGOSはバックグラウンドノイズの99.8%、平均リコール0.76を排除し、16時間中央値診断検証リードタイムで障害カスケードを検出する。
• 参考スコア（独自算出の注目度）: 0.47238899624242797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Commercial observability platforms rely on domain artifacts like distributed traces, topology maps, and baseline metrics. However, when troubleshooting proprietary software, enterprise operators are left with only raw, unannotated text logs. We explore the extreme boundary of log-only diagnosis: To what extent can we isolate failure propagation using strictly raw text logs? We present LOGOS, an unsupervised system that exploits entity-event co-occurrence and temporal precedence to collapse millions of raw log lines into a compact precedence forest. Evaluated across 25 production enterprise outages and 12 open-source issues, LOGOS operates with zero prior knowledge---requiring no seed queries, observed symptoms, or pre-defined incident boundaries. In a median wall-time of 4.5 minutes, LOGOS eliminates a median 99.8% of background noise, achieves 0.76 mean recall, and detects failure cascades with a 16-hour median diagnosis-verified lead time---consolidating alert floods 124x to enable 80% enterprise (100% open-source) zero-shot LLM root-cause accuracy.
• Abstract（参考訳）: 商用の可観測プラットフォームは、分散トレース、トポロジマップ、ベースラインメトリクスなどのドメインアーティファクトに依存している。 しかし、プロプライエタリなソフトウェアをトラブルシューティングする場合、エンタープライズオペレータは生の無注釈のテキストログしか残らない。 厳密な生のテキストログを使用して、どの程度の頻度で障害伝播を分離できるのか? 我々は, 数百万の生ログラインをコンパクトな優占林に崩壊させるために, エンティティイベントの共起と時間的優先を利用して, 教師なしのシステムであるLOGOSを提案する。 25の企業障害と12のオープンソース問題で評価され、LOGOSは、シードクエリ、観察された症状、あるいは事前に定義されたインシデント境界を必要としない、事前知識のゼロで動作する。 壁面中央値4.5分では、LOGOSはバックグラウンドノイズの中央値99.8%を排除し、平均リコール0.76を達成し、16時間中央値診断検証リードタイムで障害カスケードを検出する。

関連論文リスト

• SWE-Test: Benchmarking LLM Vulnerability Discovery via Input Prediction [13.719725391379276]
  脆弱性発見は、大規模言語モデル(LLM)エージェントの重要な機能である。 我々は、その測定を、クローズドな決定論的基底真理を持つ入力予測タスクとして再放送する。 これにより、発見は15ドメインにまたがる22の現実世界のC/C++プログラムで3つのタスクモードに分解される。
  論文  参考訳（メタデータ） (2026-09-05T19:04:41Z)
• Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning [67.04448659688579]
  FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。 フェデレーションはオプションではなく、オフ・ザ・シェルフ・トランスファーは流通シフトによって崩壊する。 Live FGLGuardは、AgentDojoのグランドサクセスレートを、ほぼ無防備なユーティリティ、APIコストゼロ、無視可能な機能損失で43%削減する。
  論文  参考訳（メタデータ） (2026-09-02T07:57:12Z)
• ORCA-bench: How Ready Are Language Model Agents for Oncall? [14.379965421387586]
  ORCA-benchは、汎用的なコーディングエージェントを実運用環境のオンコール設定に配置するベンチマークである。 最高のRCA精度は、中級微分タスクにおける25.3%である。 最も弱いモデルは、インシデントレポートの40%において、信じられないほど根本原因を幻覚させる。
  論文  参考訳（メタデータ） (2026-07-30T17:14:07Z)
• 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)
• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• LogSemFuse: Semantic Evidence Fusion for Explainable Log Anomaly Detection [6.950497660953971]
  LogSemFuseはエビデンス誘導プラグインフレームワークで、既存のバックボーン検出器を元のパイプラインを置き換えることなく拡張する。 我々は、DeepLog、LogAnomaly、LogBERT、NeuralLogをバックボーンとして、HDFS、BGL、LibertyのLogSemFuseを評価する。
  論文  参考訳（メタデータ） (2026-07-03T20:50:07Z)
• From Attack Simulation to SIEM Rule: Deterministic Detection-as-Code Synthesis with Probe-Level Traceability [51.56484100374058]
  セキュリティチームは、自身のシステムに対する攻撃をシミュレートして、監視が真の侵入者を捕まえるかどうかをチェックする。 人間はそのギャップを手でブリッジし、それぞれの発見を読み、対応するシグマルールを書きます。 ロックされたコーパスからプローブが引き出されると,この変換が部分的に自動化されることを示す。
  論文  参考訳（メタデータ） (2026-06-03T14:26:25Z)
• Credential Leakage in LLM Agent Skills: A Large-Scale Empirical Study [51.717224133855886]
  サードパーティのスキルはLLMエージェントを強力な能力で拡張するが、特権のある環境では機密情報を扱うことが多い。 静的解析,サンドボックステスト,手動検査を用いて17,022のスキル(SkillsMPで170,226からサンプリング)を分析した。 我々は,1,708の課題で520の脆弱なスキルを識別し,10の漏洩パターン(事故4件,反対6件)の分類を導出する。
  論文  参考訳（メタデータ） (2026-04-03T14:50:16Z)
• Predicting Intermittent Job Failure Categories for Diagnosis Using Few-Shot Fine-Tuned Language Models [1.2744523252873348]
  FlaXifyerは、事前訓練された言語モデルを使用して、間欠的なジョブ失敗カテゴリを予測するための、数ショットの学習アプローチである。 LogSiftは、影響力のあるログステートメントを1秒未満で識別する、解釈可能性技術である。 TELUSによる2,458件のジョブ障害の評価は、FraXifyerとLogSiftが効果的な自動トリアージを可能にし、障害診断を加速し、断続的なジョブ障害の自動解決への道を開くことを実証している。
  論文  参考訳（メタデータ） (2026-01-29T19:34:34Z)
• LogPilot: Intent-aware and Scalable Alert Diagnosis for Large-scale Online Service Systems [41.55191803277989]
  LogPilotは、ログベースの自動アラート診断のためのLarge Language Models(LLM)を利用したインテント対応フレームワークである。 各リクエストの実行を時間的ログチェーンに再構築し、同様のチェーンをクラスタして、繰り返し実行される実行パターンを特定し、診断のためにLLMに代表的なサンプルを提供する。 LogPilotは、Volcano Engine Cloudの現実世界のアラートに基づいて、根本原因の要約の有用性を50.34%改善し、最先端の手法よりも正確なローカライゼーション精度を54.79%向上させた。
  論文  参考訳（メタデータ） (2025-09-30T07:11:28Z)
• Self-Supervised Log Parsing [59.04636530383049]
  大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。 既存のアプローチは、ログ特化や手動ルール抽出に依存している。 本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
  論文  参考訳（メタデータ） (2020-03-17T19:25:25Z)

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。