# 論文キュレーション 2026-W28 ## 必読 スコア 80 以上。 ### AIDA: Accelerating Root Cause Analysis for Multi-Vendor Device Failures with LLM-Powered Reasoning - 会場/年: SIGCOMM / 2026 - スコア: 93 - 推薦理由: マルチベンダー機器障害に対するLLM推論ベースの根本原因分析であり、RCA・箇所特定というコア関心に正面から合致する。因果発見系のRCA研究群と並べて評価でき、LLMエージェントによる推論プロセスの分離評価が示されていれば加点材料となる。 - 関連: [[@2022__NeurIPS__Root Cause Analysis of Failures in Microservices through Causal Discovery]]、[[@2024__TSC__Holistic Root Cause Analysis for Failures in Cloud-Native Systems Through Observability Data]]、[[@2024__KDD__Microservice Root Cause Analysis with Limited Observability]] ### SDCs in the Wild: Characterizing and Diagnosing SDC-Defective GPUs in Production LLM Training (Operational Systems) - 会場/年: OSDI / 2026 - スコア: 92 - 推薦理由: 本番LLM学習基盤におけるSDC(Silent Data Corruption)欠陥GPUの特性把握と診断を扱っており、柱4のAIインフラ可観測性に直結する好例である。実運用規模でのGPU障害の箇所特定という視点はLLMPrismやFrom Detection to Recoveryと同系統で、査読済みOSDIの実運用トレース分析として方法論的にも高く評価できる。 - 関連: [[@2026__arXiv__From Detection to Recovery - Operational Analysis on LLM Pre-training with 504 GPUs]]、[[@2025__DSN__LLMPrism - Black-box Performance Diagnosis for Production LLM Training Platforms]] ### Safeguarding LLM Training at Scale: Online SDC Detection and Insights from 35 Million GPU Hours - 会場/年: OSDI / 2026 - スコア: 92 - 推薦理由: 3500万GPU時間という実運用規模でのsilent data corruption検知はAIインフラ可観測性の中核であり、大規模GPUクラスタ運用の知見として極めて価値が高い。ストラグラー/fail-slow検知系のXPUTimerやUnicronと同系統で、実運用エビデンスに基づく点も評価できる。 - 関連: [[@2025__arXiv__XPUTimer - Anomaly Diagnostics for Divergent LLM Training in GPU Clusters of Thousand-Plus Scale]]、[[@2024__arXiv__Unicron - Economizing Self-Healing LLM Training at Scale]] ### [PRAXIS: Integrating Program Analysis with Observability for Root-Cause Analysis](https://arxiv.org/abs/2512.22113) - 会場/年: DSN / 2026 - スコア: 90 - 推薦理由: サービス依存グラフとプログラム依存グラフを統合したLLMエージェントによるRCAで、コスト($2M/hour)とトークン消費削減(5.3倍)を明示しつつ精度向上(6.3倍)を定量化しており、コスト/オーバーヘッドのトレードオフ重視という好みに強く合致する。プログラム解析と可観測性データの統合という多層的アプローチも高評価材料。 - 関連: [[@2024__MSR__FLASH - A Workflow Automation Agent for Diagnosing Recurring Incidents]]、[[@2025__arXiv__Rethinking the Evaluation of Microservice RCA with a Fault Propagation-Aware Benchmark]] ### [The Anatomy of Silent Data Corruption: GPU Error Pattern Study and Modeling Guidance](https://arxiv.org/abs/2605.04213) - 会場/年: DSN / 2026 - スコア: 88 - 推薦理由: 本番相当GPUでの大規模フォールト注入によるサイレントデータ破損の実証研究であり、AIインフラの可観測性・GPU観測性という核心関心に強く合致する。300万シミュレータ時間規模の第三者的検証と分布考慮型障害モデリングへの示唆は、実運用規模評価とコスト/オーバーヘッドの明示という方法論の好みにも合致する。 - 関連: [[@2025__eunomia.dev__The GPU Observability Gap - Why We Need eBPF on GPU devices]]、[[@2026__eunomia.dev__CUDA Events - eBPF-based CUDA API Tracing]] ### Benchmarking the Overhead of Distributed Tracing Agents - 会場/年: ICPE / 2026 - スコア: 88 - 推薦理由: 分散トレーシングエージェントのオーバーヘッドを定量評価する研究であり、テレメトリ計測のコスト/オーバーヘッドのトレードオフを重視する本プロファイルの好みに直結する。ChainScopeやHindsight、Dapperといった非侵入トレーシング系譜と並ぶ基盤的な評価研究として高く評価できる。 - 関連: [[@2026__CoNEXT__ChainScope - Balancing Accuracy and Overhead in Non-intrusive Distributed Tracing of Microservices]]、[[@2023__NSDI__Hindsight - Tracing Edge-Cases in Distributed Systems]]、[[@2010__Google__Dapper - A Large-Scale Distributed Systems Tracing Infrastructure]] ### [Performance Alert Triage with Time-Aware Learning and Multi-Scale Time-Series Features](https://doi.org/10.1145/3777911.3800694) - 会場/年: ICPE / 2026 - スコア: 86 - 推薦理由: アラート相関/優先順位付けという核心関心にほぼ直結し、リーク防止を意識した時間軸考慮設計と特徴量重要度分析による説明性の確保は方法論の好みとも一致する。実運用規模のアラートデータでの評価も期待できる。 - 関連: [[@2024__ICSE-SEIP__Knowledge-aware Alert Aggregation in Large-scale Cloud Systems - a Hybrid Approach]]、[[@2009__ICAC__Ranking the Importance of Alerts for Problem Determination in Large Computer Systems]] ### Decentralized Root Cause Analysis for Cloud-Native Microservices: Experience with Distributed PageRank in Production - 会場/年: DSN / 2026 - スコア: 86 - 推薦理由: クラウドネイティブなマイクロサービスに対する分散PageRankを用いた分散型RCAの本番運用経験報告であり、コア関心のマイクロサービスRCA・障害依存グラフに直結する。production環境での実証という重視点にも合致し、第三者検証可能な実運用知見として評価できる。 - 関連: [[@2019__VLDB__GRANO - Interactive Graph-based Root Cause Analysis for Cloud-Native Distributed Data Platform]]、[[@2024__TSC__Holistic Root Cause Analysis for Failures in Cloud-Native Systems Through Observability Data]] ### Vedrfolnir: RDMA Network Performance Anomalies Diagnosis in Collective Communications - 会場/年: SIGCOMM / 2026 - スコア: 82 - 推薦理由: RDMAの集合通信性能異常を診断する研究であり、ネットワーク/データセンターのテレメトリという周辺関心に加え、SIGCOMMでの実運用規模の検証も期待できる。近傍にHawkeyeなど同系統のRDMA診断研究があり、AIインフラの通信障害箇所特定という核心関心に近い。 - 関連: [[@2025__SIGCOMM__Hawkeye - Diagnosing RDMA Network Performance Anomalies with PFC Provenance]] ### Resilience-Aware Elastic Scaling for Cloud-Native Online DL Training on Multi-Tenant GPU Clusters - 会場/年: VLDB / 2026 - スコア: 82 - 推薦理由: マルチテナントGPUクラスタ上のDL学習に対する耐障害性を意識した弾性スケーリングであり、自動スケーリング/自己修復とAIインフラ可観測性の両柱にまたがる。抄録は空だが題名からVLDB採択の学習ベース閉ループ制御として核心関心に沿うと判断できる。 - 関連: [[@2019__USENIX ATC__Analysis of Large-Scale Multi-Tenant GPU Clusters for DNN Training Workloads]]、[[@2025__arXiv__XPUTimer - Anomaly Diagnostics for Divergent LLM Training in GPU Clusters of Thousand-Plus Scale]] ### HYDRA: A Multi-Level Hierarchy-Driven Approach for Robust Anomaly Detection in Time Series - 会場/年: SIGMOD / 2026 - スコア: 80 - 推薦理由: 多階層構造を用いた頑健な時系列異常検知手法であり、コア関心の時系列異常検知・予測に直結する。第三者評価データセットでの比較がある点も方法論の好みに合致する。 - 関連: [[@2022__PVLDB__Anomaly Detection in Time Series - A Comprehensive Evaluation]]、[[@2025__arXiv__Can Multimodal LLMs Perform Time Series Anomaly Detection]] ## 注目 スコア 60–79。 ### Connecting 100K+ GPUs: Building the Communication Stack for Large-Scale LLM Training - 会場/年: SIGCOMM / 2026 - スコア: 79 - 推薦理由: 10万GPU級のハイパースケール通信基盤構築というAIインフラの可観測性・運用の柱に合致し、production-scaleの評価が期待できる点は加点。ただし主眼が通信スタックの設計そのものであり、障害診断/可観測性への焦点はMycroftら近傍研究に比べてやや薄い可能性がある。 - 関連: [[@2025__arXiv__Collective Communication for 100k+ GPUs]]、[[@2025__SOSP__Mycroft - Tracing Dependencies in Collective Communication Towards Reliable LLM Training]] ### [TraceLLM: Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications](https://doi.org/10.1145/3774904.3792164) - 会場/年: WWW / 2026 - スコア: 78 - 推薦理由: LLMによるトレース解析でRCA・異常検知を扱っており、コア関心のマイクロサービス原因特定に直結する。専用ベンチマークTraceBenchを構築しファインチューニングで性能向上を定量化している点は評価できるが、production規模での実運用検証や第三者再現の記述は見当たらない。 - 関連: [[@2020__WWW__AutoMAP - Diagnose Your Microservice-based Web Applications Automatically]]、[[@2020__NSDI__Understanding, Detecting and Localizing Partial Failures in Large System Software]] ### A Self-updating Checkpointing and Fast Failure Recovery System for Distributed LLM Training - 会場/年: INFOCOM / 2026 - スコア: 78 - 推薦理由: 分散LLM学習における自己更新チェックポイントと高速障害復旧はセルフヒーリング(学習ベースの閉ループ制御)の一角を占め、FlashRecoveryやByteDanceの学習基盤事例と直接比較できる。RCAや検知そのものではなく復旧機構寄りだが、AIインフラの信頼性運用として本柱に強く関連する。 - 関連: [[@2025__arXiv__FlashRecovery - Fast and Low-Cost Recovery from Failures for Large-Scale Training of LLMs]]、[[@2025__SOSP__Robust LLM Training Infrastructure at ByteDance]] ### [Macro-Micro Collaborative Learning for Logical Data Center Microservice Indicators Forecasting](https://doi.org/10.1145/3774904.3792125) - 会場/年: WWW / 2026 - スコア: 77 - 推薦理由: マイクロサービス間の依存グラフと因果性を組み込んだ指標予測であり、RCA/因果発見という核心関心と重なる。Ant Groupの実運用データセットを使う点は加点だが、主眼が予測でありRCAそのものではない点はやや周辺寄り。 - 関連: [[@2024__TOSEM__HeMiRCA - Fine-Grained Root Cause Analysis for Microservices with Heterogeneous Data Sources]]、[[@2024__ASE__Root Cause Analysis for Microservices based on Causal Inference]] ### [Leveraging LLMs for Structured Information Extraction and Analysis from Cloud Incident Reports](https://arxiv.org/abs/2603.16818) - 会場/年: ICPE / 2026 - スコア: 76 - 推薦理由: 3000件超のクラウドインシデントレポートを横断分析し、AWS/Azure/GCPの実運用障害傾向を定量化した実証研究であり、インシデント管理という核心関心に合致する。LLMによる構造化抽出は手段であり、成果は障害の科学的知見に還元されている点も評価できる。 - 関連: [[@2023__ESEC-FSE__Detection Is Better Than Cure - A Cloud Incidents Perspective]]、[[@2026__ICSE__An Empirical Study of Production Incidents in Generative AI Cloud Services]] ### [ViTs: Teaching Machines to See Time Series Anomalies Like Human Experts](https://arxiv.org/abs/2510.04710) - 会場/年: WWW / 2026 - スコア: 73 - 推薦理由: KPI時系列異常検知という核心関心に合致するが、VLMで画像化して処理するアプローチは成果志向寄りで、推論プロセス(localization/reason)の分離評価が明示されていない点が減点材料。時系列基盤モデル系の近傍研究との接続はあるが実運用テレメトリでの検証規模は不明。 - 関連: [[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]] ### [Performance Regressions Prediction using Time Series Classification: A Case Study](https://doi.org/10.1145/3777911.3800695) - 会場/年: ICPE / 2026 - スコア: 73 - 推薦理由: 性能回帰検知を時系列分類として定式化しており、時系列異常検知・変化点検知という核心関心に合致する。Mozilla Firefoxの実運用性能テスト基盤のデータで検証している点は加点材料だが、ハイパースケール環境での評価ではない。 - 関連: [[@2025__IWQoS__eACGM - Non-instrumented Performance Tracing and Anomaly Detection towards Machine Learning Systems]]、[[@2026__arXiv__ARFBench - Benchmarking Time Series Question Answering Ability for Software Incident Response]] ### Mind the Driver: A Fault Injection Methodology for AI Systems - 会場/年: DSN / 2026 - スコア: 69 - 推薦理由: AIシステム向けの障害注入手法論であり、周辺関心の障害科学・カオスエンジニアリングとAIインフラ可観測性の橋渡しに位置する。DSN採択で方法論志向の研究だが、抄録が空で実運用規模での検証度合いが判断しづらい。 - 関連: [[@2025__TOSEM__A Survey on Failure Analysis and Fault Injection in AI Systems]]、[[@2025__NSDI__Evolution of Aegis - Fault Diagnosis for AI Model Training Service in Production]] ### This is Going to Sound Crazy, But What If We Used Large Language Models to Boost Automatic Database Tuning Algorithms By Leveraging Prior History? We Will Find Better Configurations More Quickly Than Retraining From Scratch! - 会場/年: SIGMOD / 2026 - スコア: 68 - 推薦理由: LLMで過去チューニング履歴を活用しDBノブ調整を高速化する研究であり、柱3の学習ベース自動チューニングに合致する。ただし観測性やRCAへの接続は薄く、DB自律運用という周辺関心の範疇にとどまる。 - 関連: [[@2025__SIGMOD__AgentTune - An Agent-Based Large Language Model Framework for Database Knob Tuning]] ### Theseus: Runtime-Adaptive GPU Collective Communication with Hot-Swappable Schedules - 会場/年: SIGCOMM / 2026 - スコア: 66 - 推薦理由: 実行時にスケジュールを差し替える適応的GPU集合通信という点で、閉ループ的な自動チューニングの柱にやや関連する。ただし学習ベースの制御かは不明で、可観測性やボトルネック可視化そのものを主題とはしていない点は周辺止まり。 - 関連: [[@2026__NSDI__HeteCCL - Synthesizing Near-Optimal Collective Communication Schedules for Heterogeneous GPU Clusters]]、[[@2025__SOSP__Mycroft]] ### DOT: Dynamic Knob Selection and Online Sampling for Automated Database Tuning - 会場/年: VLDB / 2026 - スコア: 65 - 推薦理由: データベースの自動チューニングをknob選択とオンラインサンプリングで扱っており、周辺関心のデータベース自律運用に該当する。VLDB採択で学習ベースの閉ループ的アプローチだが、障害診断・可観測性そのものへの接続は薄い。 - 関連: [[@2025__SIGMOD__AgentTune - An Agent-Based Large Language Model Framework for Database Knob Tuning]] ### Improving Evaluation of Heterogenous Congestion Control Algorithm Interactions - 会場/年: SIGCOMM / 2026 - スコア: 60 - 推薦理由: 輻輳制御アルゴリズム間相互作用の評価手法を扱っており、ネットワーク/データセンターのテレメトリという周辺関心に該当する。障害診断そのものではなく評価設計寄りのため中位のスコアとする。 - 関連: [[@2015__SIGCOMM__Congestion Control for Large-Scale RDMA Deployments]] ## 境界例 見送った候補と理由。 ### KVDrive: A Holistic Multi-Tier KV Cache Management System for Long-Context LLM Inference - 会場/年: SIGMOD / 2026 - スコア: 50 - 見送り理由: 長文脈LLM推論向けの多層KVキャッシュ管理システムであり、AIインフラの運用最適化ではあるが可観測性や障害診断への還元が乏しい対象外寄りのテーマ。LMCacheやSCBenchと同系統の推論基盤研究に留まる。 ## ingest コマンド ``` # AIDA: Accelerating Root Cause Analysis for Multi-Vendor Device Failures with LLM-Powered Reasoning (SIGCOMM) — 公開URL未確定、会議プログラムページで確認のうえ ingest # SDCs in the Wild: Characterizing and Diagnosing SDC-Defective GPUs in Production LLM Training (Operational Systems) (OSDI) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Safeguarding LLM Training at Scale: Online SDC Detection and Insights from 35 Million GPU Hours (OSDI) — 公開URL未確定、会議プログラムページで確認のうえ ingest /wiki-ingest-paper https://arxiv.org/abs/2512.22113 /wiki-ingest-paper https://arxiv.org/abs/2605.04213 # Benchmarking the Overhead of Distributed Tracing Agents (ICPE) — 公開URL未確定、会議プログラムページで確認のうえ ingest /wiki-ingest-paper https://doi.org/10.1145/3777911.3800694 # Decentralized Root Cause Analysis for Cloud-Native Microservices: Experience with Distributed PageRank in Production (DSN) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Vedrfolnir: RDMA Network Performance Anomalies Diagnosis in Collective Communications (SIGCOMM) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Resilience-Aware Elastic Scaling for Cloud-Native Online DL Training on Multi-Tenant GPU Clusters (VLDB) — 公開URL未確定、会議プログラムページで確認のうえ ingest # HYDRA: A Multi-Level Hierarchy-Driven Approach for Robust Anomaly Detection in Time Series (SIGMOD) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Connecting 100K+ GPUs: Building the Communication Stack for Large-Scale LLM Training (SIGCOMM) — 公開URL未確定、会議プログラムページで確認のうえ ingest /wiki-ingest-paper https://doi.org/10.1145/3774904.3792164 # A Self-updating Checkpointing and Fast Failure Recovery System for Distributed LLM Training (INFOCOM) — 公開URL未確定、会議プログラムページで確認のうえ ingest /wiki-ingest-paper https://doi.org/10.1145/3774904.3792125 /wiki-ingest-paper https://arxiv.org/abs/2603.16818 /wiki-ingest-paper https://arxiv.org/abs/2510.04710 /wiki-ingest-paper https://doi.org/10.1145/3777911.3800695 # Mind the Driver: A Fault Injection Methodology for AI Systems (DSN) — 公開URL未確定、会議プログラムページで確認のうえ ingest # This is Going to Sound Crazy, But What If We Used Large Language Models to Boost Automatic Database Tuning Algorithms By Leveraging Prior History? We Will Find Better Configurations More Quickly Than Retraining From Scratch! (SIGMOD) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Theseus: Runtime-Adaptive GPU Collective Communication with Hot-Swappable Schedules (SIGCOMM) — 公開URL未確定、会議プログラムページで確認のうえ ingest # DOT: Dynamic Knob Selection and Online Sampling for Automated Database Tuning (VLDB) — 公開URL未確定、会議プログラムページで確認のうえ ingest # Improving Evaluation of Heterogenous Congestion Control Algorithm Interactions (SIGCOMM) — 公開URL未確定、会議プログラムページで確認のうえ ingest ``` ## 収集統計 - 収集元別件数: - Semantic Scholar 推薦メール: 0件(Gmail連携のトークン期限切れにより①(a)は今回スキップ。再認証が必要) - 会議プログラム巡回: 13会議中11会議で採択論文リストを取得成功(DSN, ICPE, WWW, OSDI, VLDB, SIGMOD, SIGCOMM, INFOCOM, ESEC/FSE, SSE, CLOUD)。NOMS(外部プログラムページが404)とHotCloudPerf(ACM DL 403ブロック)は取得失敗。 - 一次キーワード絞り込み: 収集した論文タイトル488件相当(WWW/INFOCOM/SIGCOMM/VLDB/SIGMOD等は手動での粗選別後)からプロファイルキーワードで129件に絞り込み。 - 重複排除: 129件中1件が既存 wiki/sources と重複するため除外(128件)。`.state.json.presented` との重複は無し(初回実行)。 - S2メタデータ照会: 129件中66件を試行、うち13件でメタデータ取得成功(abstract/DOI/arXiv ID)。S2公開プールの429レート制限が断続的に発生したため、②の途中で打ち切り。未照会・照会失敗分はタイトルのみで扱い、review_status は会議の採択済みリストを情報源として全件 `conf-accepted` とした。 - ③埋め込み一次絞り込み: strategy = `bm25-fallback`(ollama不起動のため縮退)。128件中上位40件に絞り込み。 - ④LLM再判定: 40件を10件ずつ4サブエージェントに分割して判定。 - スコア分布: 必読(80+) 11件 / 注目(60-79) 12件 / 境界例(50-59) 1件 / 対象外(50未満、非掲載) 16件