STAR: एंड-टू-एंड घटना प्रबंधन के लिए समय-संदर्भ और सेवा ग्राफ का अनुकूली सामान्यीकरण

10 नवम्बर 20266 बार देखा गया

STAR फ्रेमवर्क मेट्रिक्स, लॉग और ट्रेस के आधार पर अभ्यावेदन सीखता है। इसके लिए यह बहुस्तरीय समयगत गतिशीलता और सेवाओं के बीच निर्भरता संरचना को ध्यान में रखते हुए सीखने योग्य सामान्यीकरण लागू करता है। दो वास्तविक डेटासेट पर यह पाइपलाइन आधुनिक आधारभूत विधियों की तुलना में विसंगति पहचान, विफलताओं की रैंकिंग और मूल कारणों की खोज की गुणवत्ता में लगातार सुधार करती है।

STAR: एंड-टू-एंड घटना प्रबंधन के लिए समय-संदर्भ और सेवा ग्राफ का अनुकूली सामान्यीकरण

उद्देश्य और कार्य-सीमा

STAR (Spatial-Temporal Adaptive Representation learning) एक शोध फ्रेमवर्क है। यह माइक्रोसर्विस की observability से जुड़े मल्टीमोडल डेटा के आधार पर प्रतिनिधित्वों को प्रशिक्षित करता है। फ्रेमवर्क मेट्रिक्स, लॉग और ट्रेसेज़ के साथ काम करता है। यह विधि माइक्रोसर्विस आर्किटेक्चर में शुरू से अंत तक incident management को समर्थन देती है।

यह कार्य जटिलता के दो स्रोतों को रेखांकित करता है:

  • समय के साथ बदलती अस्थिर गतिशीलता;
  • सेवाओं के बीच निर्भरताओं की विषम संरचना।

STAR इन मोडैलिटीज़ के आधार पर अनुकूलनीय प्रतिनिधित्व बनाता है। फ्रेमवर्क एक एकीकृत प्रशिक्षण ढाँचे में समय-संदर्भ और सेवा ग्राफ़ को ध्यान में रखता है।

व्यावहारिक मानदंड: इस विधि पर तब विचार करना चाहिए, जब incident management के लिए मेट्रिक्स, लॉग, ट्रेसेज़ और सेवा निर्भरताओं का संयुक्त विश्लेषण आवश्यक हो।

अनुकूलनीय सामान्यीकरण के दो तंत्र

STAR दो परस्पर-संबंधित तंत्र लागू करता है। वे संदर्भ के आधार पर डेटा का सामान्यीकरण करते हैं।

तंत्रक्या सामान्यीकृत करता हैकिस आधार परभूमिका
Temporal Adaptive Normalization (TAN)बहुआयामी समय-श्रृंखलाएँकई पैमानों का समय-संदर्भसमय के साथ बदलती अस्थिर गतिशीलता के अनुसार अनुकूलन
Spatial Adaptive Normalization (SAN)सेवा निर्भरता ग्राफ़ों का डेटासेवाओं के बीच संबंधों की संरचनासंरचना-आधारित सामान्यीकरण

STAR में सामान्यीकरण एक प्रशिक्षित किया जा सकने वाला रूपांतरण है। संदर्भ इस रूपांतरण को निर्धारित करता है। यह रूपांतरण माइक्रोसर्विस प्रणालियों के गुणों के अनुरूपता बनाए रखता है। TAN और SAN परस्पर जुड़े हुए हैं।

व्यावहारिक मानदंड: यदि समय की गतिशीलता और निर्भरताओं की संरचना—दोनों महत्वपूर्ण हैं, तो दोनों तंत्रों वाला विकल्प आवश्यक है।

शुरू से अंत तक self-supervised प्रक्रिया

STAR अनुकूलनीय प्रतिनिधित्वों को एक एकीकृत self-supervised फ्रेमवर्क में शामिल करता है। यह प्रक्रिया तीन कार्यों के लिए शुरू से अंत तक unsupervised सहायता प्रदान करती है।

  • AD — विसंगति का पता लगाना;
  • FT — विफलताओं की triage;
  • RCL — मूल कारणों का स्थानीयकरण।

STAR एक ही फ्रेमवर्क में AD, FT और RCL को समर्थन देता है।

व्यावहारिक मानदंड: यदि incident management में पहचान, triage और स्थानीयकरण शामिल हैं, तो एकीकृत unsupervised प्रक्रिया इन कार्यों को समर्थन देती है।

प्रायोगिक मूल्यांकन

लेखकों ने दो वास्तविक माइक्रोसर्विस बेंचमार्क पर STAR का मूल्यांकन किया। मूल्यांकन के परिणाम इस प्रकार थे:

  • फ्रेमवर्क ने state of the art की सभी आधारभूत विधियों से बेहतर प्रदर्शन किया;
  • तीनों कार्यों में सुधार उल्लेखनीय और स्थिर रहे;
  • मूल्यांकन के कार्य: AD, FT और RCL।

व्यावहारिक मानदंड: तीनों कार्यों की कवरेज और state of the art से तुलना को ध्यान में रखें।

संस्करण और लेखक

STAR पर प्रकाशन में यह जानकारी दी गई है:

  • लेखक: Xinhua Miao, Linyu Zhu, Bowei Yang, Zhengong Cai;
  • v1: 12 Sep 2026;
  • v2: 19 Oct 2026, नवीनतम संशोधन;
  • arXiv:2609.31645।

व्यावहारिक मानदंड: विवरण v2 के अनुसार जाँचें और arXiv:2609.31645 का उल्लेख करें।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन
समाचार

चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन

यह लेख बताता है कि रिज़र्वॉयर इनपुट संकेतों का इतिहास घनत्व वितरण और ज्यामितीय स्वतंत्रता की डिग्रियों—दोनों में कैसे बनाए रखता है। चार तंत्रों की तुलना से पता चलता है कि धारा एक अलग संयोजकता घटक बनाती है, जो घनत्व की बाद की प्रतिक्रिया को बदलती है, जबकि सभी मापे गए लक्षणों को शामिल करने से पल्स के क्रम को डिकोड करने में थोड़ा सुधार होता है।

10 नवम्बर 2026
उम्मीदवारों का सत्यापन उन्हें उत्पन्न करने से अधिक महँगा है: LLM-आधारित भेद्यता खोज के विरुद्ध प्रलोभन
समाचार

उम्मीदवारों का सत्यापन उन्हें उत्पन्न करने से अधिक महँगा है: LLM-आधारित भेद्यता खोज के विरुद्ध प्रलोभन

इस काम में एजेंट-आधारित दोष खोज की लागत संबंधी विषमता का विश्लेषण किया गया है: संस्करण बनाना सस्ता है, जबकि पहुँच-योग्यता विश्लेषण, निष्पादन और PoC के ज़रिए उनकी पुष्टि करने में अधिकांश बजट खर्च होता है। इसलिए सत्यापन को रक्षा का एक स्वतंत्र लक्ष्य बनाया जा सकता है। प्रस्तावित RedHerring—रिपॉज़िटरी के अनुरूप ढाली गई, सीलबंद प्रमाणपत्र वाली decoy—ने समान लागत पर 33 OSS-Fuzz परियोजनाओं में पाई गई वास्तविक कमज़ोरियों की संख्या 38.7–60.4% तक घटा दी; एजेंट को चेतावनी देने के बाद भी यह गिरावट 37.2% पर बनी रही।

9 नवम्बर 2026
बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच
समाचार

बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच

यह काम जाँचता है कि क्या LLM मतिभ्रम का पता लगाने के लिए बिना पर्यवेक्षण के स्रोत से जोड़ने हेतु एक बुनियादी प्रतीकात्मक कौशल—स्रोत दस्तावेज़ों के आधार पर SQL डेटाबेस बनाना—का उपयोग कर सकता है। RAGTruth और DiaHalu पर यह न्यूरो-सिम्बॉलिक पाइपलाइन सीधे भविष्यवाणी करने से अधिक सटीक साबित होती है और अत्याधुनिक तरीकों के बराबर प्रदर्शन करती है, जबकि इसके लिए डोमेन-विशिष्ट फ़ाइन-ट्यूनिंग की आवश्यकता नहीं होती।

9 नवम्बर 2026
STAR: एंड-टू-एंड घटना प्रबंधन के लिए समय-संदर्भ और सेवा ग्राफ का अनुकूली सामान्यीकरण