PyTorchKR Papers

최신 논문

총 10편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27069v1cs.SE

마이크로서비스 근본 원인 분석에서 그래프 구조는 제 몫을 하고 있는가? RCAEval에 대한 통제된 연구 및 해당 벤치마크가 실제로 측정한 것

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

그래프 신경망(GNN)은 마이크로서비스 근본 원인 분석(RCA)에 관한 최근 연구를 지배하고 있으나, 최신 연구 결과들은 그래프의 기여 여부에 의문을 제기합니다. 이러한 결과들은 파이프라인 전체를 비교하므로 평면(flat) 모델이 우세할 때 구조가 불필요한 것인지 혹은 중복된 것인지 구별할 수 없습니다. 우리는 RCAEval에서 이들이 시사하는 비교를 수행합니다. 즉, 동일한 특징, 최적화기(optimiser), 검증(validation) 분할, 조기 종료 규칙 및 점수 산출 헤드를 공유하며 단일 항으로만 그래프 군을 구분하는 세 가지 학습 군을 구성했습니다. 두 개의 RCAEval 벤치마크(benchmark), 두 개의 토폴로지 소스 및 네 가지 체제 전반에 걸쳐 신뢰할 만한 그래프 특화 효과를 발견하지 못했습니다. 분포 내(in-distribution)에서 그래프 모델(model)은 기존 평면 모델을 Avg@5 기준 0.003 앞서는 데 그쳤습니다(p = 0.844, n = 6개 서로소 폴드). 파이프라인을 감사한 결과 해당 벤치마크의 모든 결과를 좌우하는 두 가지 특성이 드러났습니다. RCAEval은 원격 측정(telemetry)에서 12개에서 70개의 서비스를 노출하면서도 시스템당 단 5개의 서비스에만 장애를 주입하며, 주요 지표는 Avg@5입니다. 즉, 원격 측정을 전혀 읽지 않는 순위 산출기조차 홀드아웃된 인시던트의 99.7%에서 실제 원인을 상위 5개 내에 배치하여 0.488의 Avg@5를 기록했습니다. 균등 무작위(uniform-random)의 0.137이 아닌 바로 이 사전 확률(prior)이 진정한 분포 내 바닥(floor)이며, 이는 여러 시스템 전반에서 0.192로 급감합니다. 두 번째 특성은 대부분의 RE1 사례에서 원격 측정을 조용히 0으로 만들어 버리는 불균일한 컬럼 스키마입니다. 우리는 발표된 기준선(baseline)이자 RCAEval 자체의 참조 구현인 BARO를 재현했습니다. 깨끗한 스키마를 가진 단 하나의 시스템에서 이는 다른 점수 산출 규칙 하에 우리 휴리스틱과 0.004 이내의 유사한 종합 정확도에 도달했습니다. 이러한 감사를 바탕으로 새로운 모델을 제안했습니다. PSC-GRCA는 후보 점수를 시스템 사전 확률, 원격 측정 증거, 그리고 중심화된 그래프 잔차로 분리하며, 평면 기준선의 0.864 대비 평균 Avg@5 0.915에 도달하는 한편, 소거 연구(ablation) 결과 향상의 대부분이 그래프보다는 사전 확률 항에서 비롯됨을 확인했습니다. 마지막으로, 기록된 62개의 결함에서 도출한 그래프 대 평면 소거 연구를 위한 12개 항목의 체크리스트를 제시하며 마무리합니다.

arXiv:2608.15242v4cs.AI

LongRCA Bench: 긴 지평의 에이전트 궤적에서의 근본 원인 위치 파악

LongRCA Bench: Root-Cause Localization in Long-Horizon Agent Trajectories

에이전트(agent)의 긴 실행 과정에서 초기의 오류는 이후의 행동과 검증을 거치는 동안 지속될 수 있는 반면, 그 원인을 추적하는 데 필요한 증거는 전체 이력에 걸쳐 분산됩니다. 짧은 이력은 상당한 후속 실행 전반에 걸쳐 오류 원인을 찾아내는 능력을 평가(evaluation)하기에는 한계가 있습니다. 본 연구에서는 5개 소스에서 수집한 1,140개의 완전한 실패 궤적으로 구성된 LongRCA Bench를 소개하며, 모든 궤적은 책임 있는 역할과 가장 이른 결정적 근본 원인 단계에 대해 사람이 직접 주석을 달았습니다. 기준이 되는 근본 원인은 완료 시점보다 중앙값 기준 48개의 기록된 단계 앞서 발생하며, 궤적의 28.4%는 100개 이상의 후속 단계를 포함합니다. 전체 벤치마크(benchmark)에서 DeepSeek-V4-Flash를 사용했을 때, 평가된 5개의 베이스라인 중 가장 강력한 모델도 13.2%의 정확한 근본 원인 단계 정확도를 달성하는 데 그쳤습니다. 이에 본 연구에서는 원본 후보 기록과 명시적인 핸드오프 인스트럭션을 정리하여 기여도를 분석하는 학습(training) 불필요 방식인 Root-Cause Trajectory Attribution(RCTA)을 제안합니다. 세그먼트 요약과 궤적 개요는 후보 검색을 안내하며, 사용 가능한 핸드오프 기록은 최종 인스트럭션-실행 비교를 위한 상류 인스트럭션 컨텍스트를 제공합니다. 동일한 백본과 채점 프로토콜에서 RCTA는 24.1%의 정확한 근본 원인 단계 정확도와 51.1%의 책임 역할 정확도에 도달합니다. LongRCA-Mini는 더 적은 비용의 비교 스크리닝을 위해 200개의 고정된 궤적을 제공합니다. RCTA를 적용하더라도 기준 근본 원인이 정확히 복구되는 비율은 4분의 1 미만에 불과합니다.

arXiv:2607.22385v1cs.AI

증거 그라운딩 추론을 통한 에이전트형 근본 원인 분석

Agentic Root Cause Analysis through Evidence-Grounded Reasoning

이상의 근본 원인을 진단하는 것은 안전한 산업 운영에 필수적이다. 광범위한 센서 계측에도 불구하고 가설 수립과 증거 수집은 여전히 수동적 프로세스로 남아 있어 주요 운영 병목을 야기한다. 기존 데이터 기반 접근법은 이를 자동화하려 하나, 두 가지 중요한 한계가 배포를 제한한다: 진단을 정당화할 수 없는 블랙박스로 작동하며, 고장 운전에 대한 희소한 라벨 예제가 필요하다는 점이다. 이 공백을 해소하기 위해 증거 그라운딩 근본 원인 분석을 위한 제로샷 에이전트형 프레임워크 AgentRCA를 제안한다. AgentRCA는 고장 특화 매핑을 학습하는 대신, 정상 시스템 동역학을 모델링하는 데이터 기반 디지털 트윈과 도구 증강 언어 모델을 결합하여 추론 시점 추론을 수행한다. 에이전트는 통계적 증거를 반복적으로 수집하고, 경쟁 가설을 평가하며, 관측된 거동을 가장 잘 설명하는 물리적 고장을 식별한다. 실제 다상 흐름(multiphase-flow) 시설과 대규모 화학 공장에서 평가한 결과, AgentRCA는 고장 특화 학습에 의존하지 않고도 완전 지도 학습 기준선과 경쟁력 있는 진단 성능을 달성한다. 중요하게도, 관측된 증상을 근본적인 물리적 원인과 명시적으로 연결하는 투명한 추론 추적을 생성한다. 이러한 결과는 자율적 가설 주도 추론이 확장 가능한 산업 근본 원인 분석의 실용적 토대임을 보여준다.

arXiv:2607.13548v1cs.AI

실제 텔레메트리 데이터에서 근본 원인 분석은 어디까지 가능한가?

How Far Can Root Cause Analysis Go on Real-World Telemetry Data?

프로덕션 마이크로서비스 장애의 근본 원인을 식별하려면 메트릭, 로그, 트레이스에 걸친 대규모 멀티모달 텔레메트리에 대한 추론이 필요하며, 이 문제는 고전적 방법과 대규모 언어 모델(LLM) 기반 접근 모두에 저항적인 것으로 입증되어 왔다. OpenRCA 데이터셋은 이러한 과제를 보여준다: 대규모이고 멀티모달이며 상세한 도메인 지식이 부족하고, 기존 모든 방법에서 일관되게 낮은 정확도를 보인다. 우리는 고전적 인과 발견 방법과 기존 LLM 기반 멀티에이전트 시스템이 이 벤치마크에서 근본 원인을 신뢰성 있게 식별하지 못함을 보이고, 기존 LLM 기반 및 고전적 베이스라인을 상당히 능가하는 구조화된 멀티에이전트 RCA 파이프라인을 제시하며, 도메인 지식 기반 및 지식 무의존(knowledge-free) 운영 모드를 모두 지원한다. 실패가 어디에서 기인하는지 진단하기 위해, 우리는 역추론 에이전트를 도입한다. 이 에이전트는 정답이 주어지면 추출된 이상 징후 중 어떤 신호가 이를 뒷받침하는지 식별하고 Stage 1이 해당 신호에 접근할 수 있었는지 판단하여, 각 실패를 Reasoning Gap(증거는 있으나 미사용) 또는 Data Ambiguity(증거가 실질적으로 부재)로 분류한다. 이 분석은 필요한 증거가 실패의 대다수에 존재함을 보여준다: 병목은 데이터 접근이 아니라 에이전트가 이를 올바르게 추론하는 능력이다. 또한 역추론 보고서에서 판별 규칙을 체계적으로 추출하는 자동화된 규칙 마이닝 파이프라인을 도입하여, 수동 지식 큐레이션에 대한 의존을 줄인다. 모든 구성에서 모델의 추론 능력과 도메인 지식이 주요 제약이다: 더 강한 모델은 더 많은 도메인 전문성을 내재하고, 명시적 지식 주입은 이 격차를 부분적으로 보완한다. 증거 추출이 완벽해도 추론 성능은 실질적으로 한계가 있다: 스캐폴드 엔지니어링과 더 나은 데이터 파이프라인만으로는 이 격차를 메울 수 없으며, 진전은 모델 수준에서의 개선을 요구한다.

arXiv:2606.29159v1cs.AI

Pooled Leaderboards Hide System-Specific Winners: A Reporting-Protocol Audit of Offline Root-Cause Analysis Benchmarks

Offline root-cause-analysis (RCA) benchmarks commonly rank methods by a single pooled top-1 accuracy across multiple subsystems, and engineers often read the pooled winner as a recommendation for their own subsystem. We audit that reading on three public RCA benchmark families -- OpenRCA, RCAEval, and PetShop -- covering 11 subsystems and 778 matched scoring units. To keep pairwise comparisons on identical cases, the main analysis retains four methods or comparators with complete coverage: BARO, a CD-1min adapter, max-$|Z|$, and per-service alert-count. All six pairwise comparisons show subsystem-level effects of both signs, every random-effects 95\% prediction interval crosses zero, and case-level interaction tests reject exchangeability in 5 of 6 pairs. Leave-one-system-out selection picks the lower-scoring method on up to 5 of 11 held-out subsystems, with regret reaching 24.8 pp on RCAEval / Sock-Shop. We release a 320-line audit module; given a matched RCA benchmark score table, it recomputes the same per-subsystem stability checks alongside pooled scores.

arXiv:2606.27154v1cs.AI

OpenRCA 2.0: 결과 레이블에서 인과 과정 감독으로

OpenRCA 2.0: From Outcome Labels to Causal Process Supervision

기존 RCA 데이터셋이 근본 원인만 레이블하고 증상까지의 인과 전파 경로는 누락해 평가가 단순 패턴 매칭으로 축소되는 문제를, 장애 주입 기록에서 전방 검증으로 경로를 재구성하는 PAVE 프로토콜과 이를 적용한 OpenRCA 2.0(500건) 벤치마크로 보완한다. 11개 프론티어 LLM 실험에서 정확한 근본 원인 복원은 평균 20.7%에 그치며, 올바른 서비스를 찾아도 검증된 인과 경로로 그라운딩하는 비율은 61.5%로, 결과만 평가하면 드러나지 않는 비그라운딩 진단 실패가 큼을 보인다.

arXiv:2606.20912v1cs.AI

부분 조상 그래프를 이용한 잠재 교란변수 환경에서의 근본 원인 분석

Root Cause Analysis with Latent Confounders using Partial Ancestral Graphs

장애의 원인을 찾는 근본 원인 분석(RCA)은 이상(anomaly)의 근본 원인을 파악하고 복잡한 시스템의 신뢰성을 유지하는 데 필수적이다. 인과 이론은 데이터 기반 RCA를 발전시켜 왔지만, 기존 프레임워크는 인과적 충분성(causal sufficiency)을 가정하여 실세계 환경에서 흔히 존재하는 관측되지 않은 잠재 변수를 고려하지 못한다. 이 공백을 해소하기 위해 PAG-RCA를 제안한다. 이 프레임워크는 시스템 장애를 부분 조상 그래프(PAG) 위의 파라미터화된 개입(parametric interventions)으로 모델링하여, 잠재 변수가 존재하는 상황에서 RCA를 수행한다. PAG 상에서 인과 효과를 정량화하는 표준 인과 식별(causal identification) 알고리즘을 사용하여 장애의 원인을 찾는다. 효과가 식별 가능(identifiable)한 경우, 후보 근본 원인들은 정확한 개입 효과에 기반하여 순위가 매겨진다. 효과가 구조적으로 식별 불가능(structurally unidentifiable)한 경우, 본 프레임워크는(RCA 문헌에서 최초로) 부분 식별(partial identification)을 통합하여 해석적 인과 한계(analytical causal bounds)를 이용해 후보를 평가하고 점수화한다. 잠재 변수와 부분 식별을 동시에 통합함으로써, 본 프레임워크는 데이터 부족 및 잠재 변수 시나리오처럼 기존 방법이 성능이 저하되는 환경에서도 강건한 RCA를 보장한다. 합성 데이터, 마이크로서비스 이상 탐지 벤치마크, 전력망 연쇄 장애에 대한 평가는 PAG-RCA가 최신 데이터 기반 베이스라인을 일관되게 능가함을 보여준다. 데이터 부족 상황에서의 데이터 기반 RCA 성능을 향상시킴으로써, 본 방법론은 부분적으로 관측 가능한 복잡한 네트워크에서의 신뢰할 수 있는 자동 진단을 발전시킨다.

arXiv:2606.13543v1cs.NI

NetCause: 대규모 네트워크에서의 근본 원인 분석을 위한 반사실 학습

NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks

동적 환경에서의 결함 전파 문제를 해결하기 위해 네트워크 사고를 그래프-시간적 과정으로 모델링하고 반사실 시뮬레이션을 통해 근본 원인을 순위 매기는 자기지도 학습 기반 프레임워크 NetCause를 제안한다. 실제 클라우드 데이터에서 규칙 기반 베이스라인 대비 16.1%의 정확도 향상을 달성했으며 추론 시간은 수 초 수준으로 매우 가볍다.

arXiv:2606.13532v1cs.NI

클라우드 네트워크 근본 원인 분석을 위한 그래프 기반 인과 추론

Graphical Causal Reasoning for Root Cause Analysis in Cloud Networks

클라우드 네트워크 사고의 근본 원인 분석(RCA)을 위해 시공간 그룹화와 온톨로지를 통해 차원을 축소하고 그래프 기반 인과 발견 기법을 적용하는 방법을 제안한다. 이 방법은 이변량 그랜저 인과성과 조건부 독립성 테스트를 통해 인과 그래프를 구축하여 실제 운영 데이터셋에서 85.7%의 재현율을 달성했다.

arXiv:2606.13249v1cs.AI

해양 사고 근본 원인 분석을 위한 다중 필드 하이브리드 검색-증강 생성

Multi-Field Hybrid Retrieval-Augmented Generation for Maritime Accident Root Cause Analysis

해양 사고 원인 분석(RCA)을 위해 요약, 원인, 처분 필드를 활용한 다중 필드 하이브리드 검색 증강 생성(RAG) 프레임워크를 제안한다. 희소 및 밀도 랭킹 결합 검색 전략을 통해 검색 성능과 생성 품질을 기존 대비 크게 개선했다.