# Gap Report 2026-07-04 ## サマリ | 項目 | 件数 | |------|------| | 入力: クラスタギャップ | 30 | | 入力: 概念共引用ペア | 50 | | 入力: Adamic-Adar 予測リンク | 50 | | 入力: ブリッジ候補文献 | 25 | | 判定: 実在ギャップ (real-gap) | 10 | | 判定: 弱い (weak) | 8 | | 判定: 意図的分離 (intentional) | 12 | | 推薦文献(検証済み) | 7 | | 推薦文献(未検証) | 2 | --- ## 実在ギャップ ### 1. LLMによる根本原因分析 — インシデント管理 **構造的証拠**: 概念共引用 11 件（最強シグナル）。クラスタ #10（アラート管理 / LLMによる根本原因分析）と #7（インシデント管理）の間。 **判定根拠**: LLM を用いた根本原因分析はインシデント管理ワークフローの中核自動化ステップである。RCA の出力がインシデントの緩和判断を駆動し、ポストモーテムの構造化にも寄与する。両概念は方法論的に直結している。 **推薦文献**: | 優先度 | タイトル | 識別子 | 引用数 | 状態 | |--------|---------|--------|--------|------| | Tier 0 | MRCA: Metric-level Root Cause Analysis for Microservices via Multi-Modal Data | DOI: 10.1145/3691620.3695485 (ASE 2024) | — | **ingest 済み**（リンク名不一致によりブリッジ候補に誤検出。6 ファイルのデッドリンクを修正済み） | | Tier 1 | A Survey of AIOps for Failure Management in the Era of Large Language Models | arXiv:2406.11213 (2024, CSUR 採択) | — | **検証済み** | **推奨アクション**: @2024__ASE__MRCA は ingest 済み。6 ファイルのデッドリンク（ハイフン区切り → スペース区切り）を修正した。サーベイ論文は概念ページ [[LLMによる根本原因分析]] と [[インシデント管理]] の横断的知見に参照を追加する根拠として活用。 --- ### 2. Fault Localization — 障害緩和 **構造的証拠**: 概念共引用 9 件。クラスタ #6（根本原因分析 / Fault Localization）と #7（インシデント管理）にまたがる。 **判定根拠**: 障害箇所特定の出力は緩和アクションの選択に直結する。近年のエンドツーエンドインシデント対応パイプラインは両ステップを統合的に扱う。 **推薦文献**: | 優先度 | タイトル | 識別子 | 引用数 | 状態 | |--------|---------|--------|--------|------| | Tier 1 | Failure Diagnosis in Microservice Systems: A Comprehensive Survey and Analysis | arXiv:2407.01710 (2024) | — | **検証済み** | | Tier 1 | Nissist: An Incident Mitigation Copilot based on Troubleshooting Guides | ECAI 2024 | — | **未検証** | **推奨アクション**: 概念ページ [[Fault Localization]] に [[障害緩和]] への関連リンクを追加（リンク追記のみ、コンテンツ改変なし）。サーベイ論文の ingest で橋渡しを強化。 --- ### 3. サービスレベル目標 — テレメトリ **構造的証拠**: 概念共引用 8 件、Adamic-Adar でも「テレメトリ — SLI/SLO 教科書」(2.41) が出現。 **判定根拠**: SLO は SLI メトリクスの上に定義され、SLI の計算はテレメトリパイプラインに依存する。MOC 構造上も [[SRE - MOC]] の下位に [[Telemetry - MOC]] があり、概念的に直結している。 **推薦文献**: 学術文献よりも概念ページ間の直接リンクが有効。 **推奨アクション**: [[サービスレベル目標]] の関連セクションに [[テレメトリ]] への参照を追加。逆も同様。 --- ### 4. ログ解析 — 分散トレーシング **構造的証拠**: 概念共引用 8 件。クラスタ #2（分散トレーシング / テレメトリ）内の概念ペア。 **判定根拠**: オブザーバビリティの三本柱（メトリクス・ログ・トレース）のうち二つであり、トレース ID によるログ相関は標準的プラクティス。OpenTelemetry は両者を統一的に収集する。 **推薦文献**: 概念間直接リンクで十分。 **推奨アクション**: [[ログ解析]] と [[分散トレーシング]] の相互参照を追加。 --- ### 5. アラート管理 — 根本原因分析 **構造的証拠**: 概念共引用 8 件、Adamic-Adar「サービスレベル目標 — アラーティングの進歩」(4.89)、「根本原因分析 — アラーティングの進歩」(4.86) の最高スコア。 **判定根拠**: アラートは RCA ワークフローのトリガーであり、アラート集約の品質が RCA の入力品質を決定する。vault のブリッジ候補にも @2025__FSE__ProAlert が挙がっている。 **推薦文献**: | 優先度 | タイトル | 識別子 | 引用数 | 状態 | |--------|---------|--------|--------|------| | Tier 0 | ProAlert (Alert Summarization for Online Service Systems by Validating Propagation Paths of Faults) | FSE 2025, DOI: 10.1145/3729367 | — | **ingest 済み**（リンク名不一致によりブリッジ候補に誤検出。`アラートストーム.md` のデッドリンクを修正済み） | **推奨アクション**: @2025__FSE__ProAlert は ingest 済み。`アラートストーム.md` のデッドリンク（誤った別名 → 正しいファイル名）を修正した。概念ページ [[アラート管理]] と [[根本原因分析]] の相互参照追加で橋渡しを強化。 --- ### 6. GPU観測性 — 集合通信 **構造的証拠**: 概念共引用 7 件。クラスタ #3（LLM分散学習 / GPUクラスタ運用）内。 **判定根拠**: 集合通信（NCCL AllReduce / All-to-All）の性能監視は GPU クラスタ運用の中核課題であり、ストラグラー検知・障害箇所特定の入力となる。 **推薦文献**: vault 内に既に MegaScale・XProf 等の関連ソースが存在。概念ページ間リンクで十分。 **推奨アクション**: [[GPU観測性]] と [[集合通信]] の相互参照を追加。 --- ### 7. Mixture-of-Experts — 集合通信 **構造的証拠**: 概念共引用 5 件。クラスタ #0（MoE / 強化FT）と #3（LLM分散学習）間。 **判定根拠**: MoE のエキスパート並列化には All-to-All 通信が不可欠であり、通信最適化が学習効率のボトルネックとなる。DeepSeek-MoE, Lancet, DeepEP 等の研究が活発。 **推薦文献**: | 優先度 | タイトル | 識別子 | 引用数 | 状態 | |--------|---------|--------|--------|------| | Tier 1 | Lancet: Accelerating Mixture-of-Experts Training via Whole Graph Computation-Communication Overlapping | arXiv:2404.19429 (MLSys 2024) | — | **検証済み** | **推奨アクション**: `wiki-ingest-paper` で Lancet を ingest し、[[Mixture-of-Experts]] と [[集合通信]] の橋渡しとする。 --- ### 8. Transformer — 機構的解釈性 **構造的証拠**: Adamic-Adar 2.25。クラスタ #1（OpenAI / Transformer）と #21（佐藤竜馬 / 機構的解釈性）間。 **判定根拠**: 機構的解釈性はまさに Transformer の内部回路を逆構成工学する分野である。Elhage et al. (Anthropic, 2021) の「A Mathematical Framework for Transformer Circuits」が起点論文。 **推薦文献**: | 優先度 | タイトル | 識別子 | 引用数 | 状態 | |--------|---------|--------|--------|------| | Tier 1 | A Mathematical Framework for Transformer Circuits | Anthropic (2021-12-22) | — | **検証済み** | **推奨アクション**: [[Transformer]] 概念ページに [[機構的解釈性]] への参照を追加。起点論文の ingest は任意。 --- ### 9. LLM分散学習 — DeepSeek-AI **構造的証拠**: Adamic-Adar 3.38。クラスタ #3（LLM分散学習）と #1（OpenAI / Transformer）間。 **判定根拠**: DeepSeek-AI は LLM 分散学習技術の主要貢献者であり、DeepSeek-V2/V3 の技術報告書はエキスパート並列・パイプライン並列・通信最適化の革新を記述している。 **推薦文献**: vault に既に DeepSeek 関連ソースが存在する可能性が高い。エンティティページ [[DeepSeek-AI]] と概念ページ [[LLM分散学習]] の直接リンクで橋渡し可能。 **推奨アクション**: [[DeepSeek-AI]] エンティティが存在すれば [[LLM分散学習]] との相互参照を確認・追加。 --- ### 10. Fault Localization — インシデント管理 **構造的証拠**: 概念共引用 7 件。クラスタ #6 と #7 の間。 **判定根拠**: 障害箇所特定はインシデント対応プロセスの診断フェーズそのものである。AIOps パイプラインでは検知→箇所特定→緩和の順に処理される。 **推薦文献**: 概念ページ間リンクが最も有効。 **推奨アクション**: [[Fault Localization]] と [[インシデント管理]] の相互参照を追加。 --- ## 弱い/意図的な分離 ### 弱い (weak) | ペア | 理由 | |------|------| | 分散トレーシング — OpenAI/Transformer（クラスタギャップ 306） | 「LLM でオブザーバビリティを支援する」程度の汎用的つながりにすぎない | | Fault Localization — LLM分散学習（共引用 8） | 共引用元が両領域をカバーするサーベイであり、概念間の直接的つながりは薄い | | インシデント管理 — トイル（共引用 7） | トイルはインシデントから生じるが、それは概念的に上位の SRE 概念であり直接橋渡しは不要 | | Chain-of-Thought — 佐藤竜馬（AA 2.82） | プロンプティング手法と機構的解釈性研究者の関係は間接的 | | Prefill-Decode 分離 — サービスレベル目標（共引用 4） | 推論最適化と SLO は目的-手段の関係だが、橋渡し文献なしに概念リンクは困難 | | LLM分散学習 — 時系列基盤モデル（クラスタギャップ 314） | 手法の重複（Transformer 訓練）のみで主題が異なる | | スケーリング則 — 佐藤竜馬（AA 2.19） | スケーリング則は広範な概念で特定研究者との直接的橋渡しは不要 | | 時系列データベース — 異常検知（AA 2.11） | 格納基盤と検知アルゴリズムの関係であり汎用的すぎる | ### 意図的な分離 (intentional) | ペア | 理由 | |------|------| | インシデント管理 — 佐藤竜馬/機構的解釈性（クラスタギャップ 160） | MOC 上で完全に異なる研究プログラム（SRE vs ML 解釈性） | | MoE/強化FT — 分散ストレージ/OLTP（クラスタギャップ 143） | ML モデルアーキテクチャとデータベースシステム設計は独立した領域 | | OpenAI/Transformer — 分散ストレージ/OLTP（クラスタギャップ 136） | 同上 | | サービスレベル目標 — 佐藤竜馬/機構的解釈性（クラスタギャップ 116） | SRE 運用と ML 解釈性研究は接点がない | | agentic SRE — 佐藤竜馬/機構的解釈性（クラスタギャップ 114） | AI エージェント運用と回路レベル解釈性は別次元 | | MoE — サイバネティクス/坪内佑樹（クラスタ��ャップ 83） | ML アーキテクチャと制御論/個人研究は別系統 | | 時系列基盤モデル — サイバネティクス/坪内佑樹（クラスタギャップ 58） | 同上 | | OpenAI/Transformer — Yuuki Tsubouchi/サーバーレスアーキテクチャ（クラスタギャップ 57） | LLM 研究と SRE 個人プロジェクトは別系統 | | MoE — Yuuki Tsubouchi/サーバーレスアーキテクチャ（クラスタギャップ 60） | 同上 | | 佐藤竜馬/機構的解釈性 — サイバネティクス/坪内佑樹（クラスタギャップ 39） | 異なる研究者の異なる研究プログラム | | LLM推論 — サイバネティクス/坪内佑樹（クラスタギャップ 36） | 推論最適化と制御論は独立 | | 根本原因分析 — Modern Microprocessors/アウトオブオーダー実行（クラスタギャップ 33） | ソフトウェア障害分析とハードウェアアーキテクチャ入門は別トピック | --- ## 未検証の推薦 | タイトル | 対象ギャップ | 理由 | |----------|--------------|------| | Nissist: An Incident Mitigation Copilot based on Troubleshooting Guides (ECAI 2024) | Fault Localization — 障害緩和 | S2 API が 429/403 で応答せず DOI 未確認 | | A Mathematical Framework for Transformer Circuits (Anthropic, 2021) | Transformer — 機構的解釈性 | Web 検索で存在確認済みだが arXiv ID/DOI が存在しない（Anthropic 自社出版物） | --- ## ブリッジ候補文献（Tier 0: vault 内既引用・未 ingest） レポート入力の bridge candidates セクションから、最も対費用効果の高い ingest 対象を優先順に列挙する。 | # | ターゲット | スコア | 対応ギャップ | 検証状態 | |---|-----------|--------|-------------|---------| | 1 | @2024__ASE__MRCA - Metric-level Root Cause Analysis for Microservices via Multi-Modal Data | 14.46 | LLMによる根本原因分析 — インシデント管理 | **ingest 済み**。ハイフン区切りリンクの誤検出を修正 | | 2 | @2023__TSC__Robust failure diagnosis of microservice system through multimodal data | 11.58 | マルチモーダル障害診断全般 | DOI: 10.1109/TSC.2023.3290018, arXiv:2302.10512 **検証済み** | | 3 | @2019__ICSE__An Empirical Investigation of Incident Triage for Online Service Systems | 11.58 | インシデント管理プロセス | DOI: 10.1109/ICSE-SEIP.2019.00020 **検証済み** | | 4 | @2022__arXiv__Self-Consistency Improves Chain of Thought Reasoning | 11.58 | Chain-of-Thought 関連 | arXiv:2203.11171 (Wang et al. 2022) **検証済み** | --- ## Coverage notes（プラグインレポートより転載） - cluster gaps: showing top 30 of 198 - concept pairs: showing top 50 of 178 - adamic-adar: skipped 2 hub intermediates (degree > 150) - predicted links: showing top 50 of 63093 - bridges: 43 missing sources excluded (referrers have no attributable cluster)