자율 시스템 진단을 위한 시맨틱 관측 가능성

원문 발행 2026. 10. 21. 02:53원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

본 논문은 분산 시스템의 복잡한 로그 데이터를 통합하고 분석하는 'Semantic Observability'라는 자율 다중 에이전트 프레임워크를 제안합니다. 이 시스템은 물리적/논리적 인프라 토폴로지를 Property Graph Database에 모델링하여 의미론적 격차를 해소합니다. 이를 통해 LLM 기반의 Root Cause Analysis(RCA) 및 실행 가능한 복구 조치를 제공하며, MTTR 단축을 목표로 합니다.

핵심 포인트

이질적인 로그 스트림을 Property Graph DB로 통합하는 Semantic Observability 제시
Directed Cyclic Graphs (DCGs)를 활용한 자율 다중 에이전트 시스템 구현
인과 그래프 알고리즘 및 시간적 역추적으로 정확한 장애 폭발 반경 격리
LLM 추론 엔진을 통해 코드 수준의 RCA 및 복구 조치 생성

현대의 분산 마이크로서비스 배포는 물리적 및 논리적으로 분할된 인프라 전반에 걸쳐 방대한 양의 이기종, 다중 형식의 관측 가능 로그를 생성합니다. 연쇄적인 장애 발생 시 근본 원인을 격리하는 것은 여전히 Site Reliability Engineers (SREs)에게 어려운 작업이며, 이는 수동 키워드 필터링과 모니터링 대시보드 전반에 걸친 단절된 시간적 상관관계에 의해 병목 현상을 겪습니다. 우리는 Semantic Observability를 소개합니다. 이것은 이질적인 로그 스트림을 동적이고 질의 가능한 Property Graph Database로 통합하는 자율 다중 에이전트 프레임워크입니다. 물리적 인프라 토폴로지, 논리적 소프트웨어 의존성, 그리고 시간 순서상의 이벤트 시퀀스를 속성이 부여된 노드와 방향성 관계(directed relations)로 모델링함으로써, 이는 평면적이고 비정형적인 로그 저장소에 내재된 의미론적 격차를 해소합니다. 이 통합된 기반 위에서, 우리는 Directed Cyclic Graphs (DCGs)를 통해 오케스트레이션되는 상태 저장 다중 에이전트 시스템을 배포합니다. 이 시스템은 토폴로지를 자율적으로 탐색하며, 인과 그래프 알고리즘(causal graph algorithms)과 시간적 역추적(temporal back-traversal)을 적용하여 이상 징후의 정확한 폭발 반경(blast radius)을 격리합니다. 이후 가지치기된 서브그래프는 Large Language Model (LLM) 추론 엔진에 의해 해석되어 맥락화되고 코드 수준의 Root Cause Analyses (RCA) 및 실행 가능한 복구 조치를 생성합니다. 본 논문은 Semantic Observability의 기초 시스템 아키텍처, 형식 관계 온톨로지(formal relational ontology), 그리고 다중 에이전트 제어 루프를 확립합니다. 우리는 이 프레임워크가 주변 텔레메트리 노이즈(ambient telemetry noise)를 어떻게 제거하고, Mean Time to Resolution (MTTR)을 줄이며, LLM 토큰 소비를 압축하고, 구조적 환각(structural hallucinations)을 방지하는지 개념적으로 보여줍니다. 또한 표준 벤치마크(LogHub 및 Train-Ticket)에 대한 오픈 소스 검증 프레임워크를 명시하여, 포괄적인 정량적 평가 및 프로덕션 벤치마킹에 관한 향후 동반 논문의 기반을 마련합니다.

AI 자동 생성 콘텐츠

원문 바로가기

자율 시스템 진단을 위한 시맨틱 관측 가능성

요약

핵심 포인트

댓글