論文の概要: Semantic Observability for Autonomous Systems Diagnostics
- arxiv url: http://arxiv.org/abs/2610.28611v1
- Date: Tue, 20 Oct 2026 17:53:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.959898
- Title: Semantic Observability for Autonomous Systems Diagnostics
- Title（参考訳）: 自律システム診断における意味的可観測性
- Abstract要約: 本稿では,セマンティックオブザーバビリティの基本的なシステムアーキテクチャ,形式的リレーショナル,マルチエージェント制御ループを確立する。
本研究では,このフレームワークが周囲のテレメトリノイズを除去し,平均分解時間(MTTR)を低減し,LLMトークンの消費を圧縮し,構造的幻覚を防ぐ方法を示す。
- 参考スコア（独自算出の注目度）: 1.3766156880876856
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Modern distributed microservice deployments generate massive volumes of heterogeneous, multi-format observability logs across physically and logically partitioned infrastructure. Isolating root causes during cascading failures remains an arduous task for Site Reliability Engineers (SREs), bottlenecked by manual keyword filtering and disjointed temporal correlation across monitoring dashboards. We introduce Semantic Observability, an autonomous multi-agent framework that unifies disparate log streams into a dynamic, queryable Property Graph Database. By modeling physical infrastructure topologies, logical software dependencies, and chronological event sequences as attributed nodes and directed relations, it bridges the semantic gap inherent in flat, unstructured log repositories. Building on this unified substrate, we deploy a stateful multi-agent system orchestrated through Directed Cyclic Graphs (DCGs). The system autonomously navigates the topology, applying causal graph algorithms and temporal back-traversal to isolate the precise blast radius of anomalies. The pruned subgraph is then interpreted by a Large Language Model (LLM) reasoning engine to generate contextualized, code-level Root Cause Analyses (RCA) and actionable remediations. This paper establishes the foundational system architecture, formal relational ontology, and multi-agent control loops of Semantic Observability. We show conceptually how the framework eliminates ambient telemetry noise, reduces Mean Time to Resolution (MTTR), compresses LLM token consumption, and prevents structural hallucinations. We also specify an open-source validation framework on standard benchmarks (LogHub and Train-Ticket), laying the groundwork for a forthcoming companion paper on exhaustive quantitative evaluation and production benchmarking.
- Abstract（参考訳）: 現代の分散マイクロサービスデプロイメントは、物理的および論理的にパーティショニングされたインフラストラクチャ全体にわたって、異質でマルチフォーマットの可観測性ログを大量に生成する。
カスケード障害時の根本原因の分離はSRE(Site Reliability Engineers)にとって依然として困難な作業であり、手動のキーワードフィルタリングと監視ダッシュボード間の時間的相関がボトルネックになっている。
異なるログストリームを動的にクエリ可能なプロパティグラフデータベースに統合する,自律的なマルチエージェントフレームワークであるSemantic Observabilityを紹介した。
物理的インフラストラクチャのトポロジ、論理ソフトウェア依存関係、時系列イベントシーケンスを属性ノードや有向関係としてモデル化することで、フラットで非構造化のログリポジトリに固有のセマンティックギャップを橋渡しする。
この統一基板上に構築し,DCG(Directed Cyclic Graphs)によって構成されたステートフルなマルチエージェントシステムをデプロイする。
このシステムはトポロジを自律的にナビゲートし、因果グラフアルゴリズムと時間的バックトラバーサルを適用して、異常の正確な爆発半径を分離する。
プルーニングされたサブグラフはLarge Language Model (LLM)推論エンジンによって解釈され、コンテキスト化されたコードレベルのルート原因分析(RCA)と実行可能な修復を生成する。
本稿では,セマンティック・オブザーバビリティの基本的なシステムアーキテクチャ,形式的関係オントロジー,マルチエージェント制御ループを確立する。
本研究では,このフレームワークが周囲のテレメトリノイズを除去し,平均分解時間(MTTR)を低減し,LLMトークンの消費を圧縮し,構造的幻覚を防ぐ方法を示す。
また、標準ベンチマーク(LogHubとTrain-Ticket)のオープンソース検証フレームワークを規定し、完全定量的評価と生産ベンチマークに関する今後のコンパニオンペーパーの基盤を定めている。
関連論文リスト
- TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。
TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。
リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。
これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
論文 参考訳（メタデータ） (2026-08-03T09:39:11Z) - TopoEvo: A Topology-Aware Self-Evolving Multi-Agent Framework for Root Cause Analysis in Microservices [10.602349579405832]
根本原因分析(RCA)はノイズや異種多モード可観測性のために困難である。
近年のLCMをベースとしたRCAエージェントは、ツールグラウンドによる説明を生成できるが、トポロジーに依存しないことが多い。
グラフ表現学習を構造化されたトポロジ制約推論と組み合わせたトポロジ対応の自己進化型マルチエージェントである textbfTopoEvo を提案する。
論文 参考訳（メタデータ） (2026-05-15T04:45:44Z) - Monitoring Data-aware Temporal Properties (Extended Version) [56.386411908764494]
有限トレース上の任意のSMT理論に富む線形時間特性の予測モニタリングについて考察する。
この設定での予測モニタリングは非常に困難であり、監視状態はこれまでのトレースプレフィックスと可能な有限継続の両方に依存している。
本研究は,表現的フラグメントオフMTにおける特性モニタリングのための新しい基礎的枠組みの正しさを提示し,正式に証明するものである。
論文 参考訳（メタデータ） (2026-05-14T10:23:11Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - OrgForge: A Multi-Agent Simulation Framework for Verifiable Synthetic Corporate Corpora [0.0]
本稿では,厳密な物理認識境界を強制するオープンソースのマルチエージェントシミュレーションフレームワークOrgForgeを紹介する。
アクターローカルクロックは、すべてのアーティファクトタイプにわたって因果タイムスタンプの正しさを強制する。
N日間のシミュレーションを実行すると、OrgForgeはインターリーブされたSlackスレッド、チケット、Confluenceページ、Gitのプルリクエスト、Eメールを生成する。
論文 参考訳（メタデータ） (2026-03-16T09:02:24Z) - Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。
グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T08:28:41Z) - Leveraging Large Language Model for Intelligent Log Processing and Autonomous Debugging in Cloud AI Platforms [1.819979627431298]
本稿では,Large Language Model (LLM) に基づくインテリジェントログ処理と自動デバッグフレームワークである Intelligent Debugger (LLM-ID) を提案する。
クラウドプラットフォームログデータセットの実験では、LLM-IDは障害位置の精度を16.2%向上させており、これは現在の主流メソッドよりも大幅に向上している。
論文 参考訳（メタデータ） (2025-06-22T04:58:37Z) - 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) - GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。
システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文 参考訳（メタデータ） (2023-09-12T04:21:30Z)
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。