Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
SDVDiag는 소프트웨어 정의 차량(SDV)의 장애 원인을 분석하기 위한 멀티모달 인과 관계 발견 파이프라인을 제안합니다. 로그와 메트릭 데이터를 공유 임베딩 공간으로 융합하여 온라인 환경에서 실시간으로 근본 원인을 추적합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기소프트웨어 정의 차량(Software-defined vehicles)으로의 전환은 차량 기능의 점점 더 많은 비중을 분산된 소프트웨어 서비스로 집중시키고 있으며, 여기서 발생하는 장애는 서비스 의존성을 통해 전파됩니다. 이때 표면적인 증상은 근본적인 결함으로부터 여러 단계의 인과적 도약(causal hops)만큼 떨어져 있는 경우가 많습니다. 이러한 시스템에서 인과적 근본 원인 분석(causal root-cause analysis)을 수행하는 기존 방식들은 이를 부분적으로만 다룹니다. 기존 방식들은 일반적으로 단일 관측 모달리티(observability modality)를 기반으로 추론하며, 지속적인 차량 운행 요구 사항에 부합하지 않는 오프라인 및 운영자 주도 모드(operator-driven mode)로 작동합니다.
본 논문은 SDVDiag를 제시합니다. 이는 그래프 구축 전 로그 기반(log-based) 및 메트릭 기반(metric-based) 서비스 표현을 공유 임베딩 공간(shared embedding space)으로 융합하는 멀티모달 인과 관계 발견(multimodal causal-discovery) 파이프라인이며, 진단 플랫폼을 수동으로 작동하는 배치 도구에서 지속적으로 실행되는 온라인 시스템으로 전환하는 이상 징후 기반 트리거(anomaly-driven trigger)와 결합되어 있습니다.
자율 발렛 주차(Autonomous Valet Parking) 테스트베드에서의 평가 결과, 멀티모달 파이프라인은 메트릭 전용 베이스라인(metrics-only baseline)보다 더 희소한 인과 그래프(sparser causal graphs)를 생성하며(평균 134개 대 182개 엣지), 인간 피드백 정제(human-feedback refinement)의 모든 단계에서 전문가 지식 그래프(expert knowledge graph) 대비 엣지 가중 보상(edge-weighted reward) 측면에서 일관되게 베이스라인을 능가함을 보여주었습니다. 특히 60회의 피드백 쿼리 이후에는 베이스라인 대비 2.4배의 개선을 보였습니다. 엔드 투 엔드 결함 주입(fault-injection) 시나리오를 통해, 통합된 트리거가 관찰 가능한 증상으로부터 인과적으로 두 단계 상류(two causal hops upstream)에 위치한 실제 근본 원인을 정확하게 복구함을 추가로 입증하였습니다.