# LLMによるトレース分析 ## 定義 大規模言語モデル(LLM)が、マイクロサービスの分散トレース(OpenTelemetry 等の span 木構造)を入力として受け取り、自然言語での質問応答や構造・属性の分析を行う能力、およびその能力を評価・強化する研究領域。既存の[[分散トレーシング]]研究がアルゴリズム(サンプリング・圧縮・因果推論・根本原因分析)によるトレース処理を扱うのに対し、本概念は LLM を分析の主体に据える点で区別される。(Source: [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]]) ## 横断的知見 - 現時点では単一ソース([[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]])のみ。複数ソースとの突き合わせによる横断知見は今後蓄積する。 - **トレースのテキスト表現形式は、LLM の理解精度にほぼ影響しない**: Node Sequence(素朴な span 辞書列)・Adjacency Table・Edge List・Code-like Forms(XML)という表現力の異なる4形式を比較しても Acc 差は 0.011 以内(0.686〜0.697)であり、LLM は spanId/parentSpanId という最小限の情報からでも呼び出し関係を自律的に再構成できる。これは分散トレーシング研究がこれまで蓄積してきた「計装・構造の明示性が下流分析精度を左右する」という前提(TraStrainer・Astraea 等)とは異なる層の知見であり、**LLM を分析主体とする場合は入力表現の工夫より計装データそのものの完全性・モデルの推論能力が支配的**であることを示唆する。 - **テキスト化(Trace2Text)とグラフ埋め込み(Trace2Token)は精度とスケーラビリティのトレードオフを形成する**: Trace2Text は全粒度で高精度(Qwen-3/Llama-3/DeepSeek-R1 いずれも Acc 0.86 超)だが、長いトレースほど入力トークン数が線形に増加する。Trace2Token は GNN でトレース全体を固定長ベクトルへ圧縮するためトークンコストを抑えられるが、大域構造(single-trace/trace-pair level)には強い一方、局所属性・計算タスク(single-node/node-pair level の Computation: Acc 0.091、Ranking: Acc 0.484)で情報損失が顕著になる。 - **ファインチューニングされた8B級 open-source モデルが GPT-4o(closed-source)を上回りうる**: TraceBench で fine-tuning した Trace2Text 系は、Qwen-3-8B/Llama-3-8B/DeepSeek-R1-Distill-Llama-8B のいずれも GPT-4o の Zero-Shot 精度(0.734)を平均 19.16% 上回った。汎用推論能力に依存しがちな他の LLM4RCA 系研究([[LLMによる根本原因分析]])と異なり、タスク固有ファインチューニングが trace 分析では特に効果的であることを示す。 - **プロンプト工学の効果は限定的**: Zero-Shot・Few-Shot・Program-of-Thought(PoT)の比較では Few-Shot が最良(Zero-Shot 比 +6.77%)だが、PoT(トレース分析を解く Python コードを生成させる手法)は実行エラーと意味的誤りの両方が多発し、かえって精度が低下した(Acc 0.458)。トレースの複雑な構造・属性情報を直接コード生成へ落とし込むのは、現状の LLM には難しい。 ## 未解決の問い - 個別トレース(または2トレース比較)への質問応答から、多数のトレースを横断する根本原因分析・異常伝播特定へ LLM のトレース分析能力を拡張する研究はまだ無い。TraceBench の 38 タスクはいずれも単一トレースまたはトレースペア内で完結しており、[[LLMによる根本原因分析]] が扱う複数トレース・複数シグナル横断の診断とは接続されていない。 - 長大トレース(90 span 超)での Trace2Text のトークン爆発を、[[分散トレーシング]] 領域で蓄積されたトレース圧縮技術(Mint の共通性+可変性分解、Tracezip の KV ペア冗長性圧縮)と組み合わせて緩和できるか。 - TraceBench は Train-Ticket 単一システムで構築されている。複数のベンチマークシステム([[DeathStarBench]]・[[Sock Shop]] 等)を横断した学習データで、[[Online-Boutique]] のような未見アプリケーションへの汎化性(現状 Trace2Text で -31.35%)は改善するか。 - Trace2Token の GNN 圧縮による情報損失(計算・ランキングタスクでの低精度)は、GNN のアーキテクチャ(層数・pooling 戦略)を変えることで軽減できるか、それとも「大域構造圧縮 vs 局所属性保持」は本質的なトレードオフか。 - LLM のトレース理解能力は、本番規模(数千〜数万マイクロサービス)のトレースやリアルタイム性が要求される運用シナリオでどこまで実用に耐えるか。TraceBench の評価は静的なオフラインデータセットに閉じている。 ## 関連 - ソース: [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]] - 概念: [[分散トレーシング]] / [[LLM評価]] / [[マイクロサービスベンチマーク]] / [[LLMによる根本原因分析]] - エンティティ: [[Train-Ticket]] / [[Online-Boutique]] / [[OpenTelemetry]] / [[Fudan University]] / [[Xidian University]] ## 出典 - [[@2026__WWW__TraceLLM - Evaluating and Exploring Large Language Models on Trace Analysis in Microservice-based Web Applications]](§2 TraceBench 構築、§3 LLM のトレース分析能力の基本評価・プロンプト/表現戦略比較、§4-5 TraceLLM のファインチューニング設計と有効性評価、§5.3 汎化性評価、Appendix B.8 頑健性評価)