PASE는 클라우드 AI 시스템의 장애 복구를 뉴로-심볼릭 프로그램 합성 문제로 재정의한 자가치유(self-healing) 프레임워크다. LLM이 시맨틱 프리미티브 라이브러리에서 구조화된 복구 계획을 합성하고, 뉴럴-심볼릭 월드 모델이 시뮬레이션으로 계획의 실행 가능성을 검증하며, DRL로 학습된 메타 프롬프트 옵티마이저가 LLM의 계획 과정을 유도하는 최적 프롬프트를 생성한다. 이 추론-계획-검증-적응 루프로 사전 정의된 행동 공간을 넘어서는 동적 복구 전략이 가능하다. 실제 클라우드 장애 주입 데이터셋 실험에서 기존 최고 기법 대비 평균 복구 시간을 40% 이상 단축하고 미지 장애 시나리오의 탐지 정확도를 개선했다. LLM 생성 계획을 실행 전에 검증하는 구조는 자율 시스템 운영의 안전성 확보 패턴으로 주목할 만하다.
- •장애 복구를 뉴로-심볼릭 프로그램 합성 과제로 재정의, LLM이 시맨틱 프리미티브로 구조화된 복구 계획 생성
- •뉴럴-심볼릭 월드 모델이 시뮬레이션으로 계획 실행 가능성을 사전 검증
- •DRL 학습 메타 프롬프트 옵티마이저가 LLM 계획을 유도하는 최적 프롬프트 생성
- •실제 클라우드 장애 주입 데이터셋에서 평균 복구 시간 40% 이상 단축
- •미지 장애 시나리오에서도 탐지 정확도 개선 — 사전 정의 행동 공간을 넘는 적응형 복구
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model
- 1.클라우드 장애 자가복구를 신경-기호 프로그램 합성으로 재구성한 PASE 제안
- 2.LLM을 핵심 Plan Synthesis Engine로 써 의미 프리미티브로 복구 계획 생성
- 3.Neural-Symbolic World Model이 시뮬레이션으로 계획 실행 가능성 검증
- 4.평균 복구 시간 40% 이상 단축하고 미지 장애 탐지 정확도 향상
왜 중요한가?
기존 LLM+강화학습 자가복구는 느슨히 연결된 순차 구조라 LLM 추론력을 못 살렸는데, PASE는 추론-계획-검증-적응 루프로 사전 정의된 행동 공간을 넘어선 동적 복구를 가능케 해 복구 시간을 40% 이상 줄였다.
언급 프로젝트
본문 미리보기
arXiv:2607.01595v1 Announce Type: new Abstract: As the scale and complexity of cloud-based AI systems continue to escalate, ensuring service reliability through rapid fault detection and adaptive recovery has become a critical challenge. While existing approaches integrate Large Language Models (LLMs) for semantic understanding and Deep Reinforcement Learning (DRL) for policy optimization, they often rely on sequential, loosely coupled architectures that underutilize the generative and reasonin
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
