← أحدث الأبحاث
💻 computer science

MARCA: Multi-Agent Root Cause Analysis with Multi-Modal Data

تقترح الورقة البحثية MARCA، وهو إطار عمل متعدد الوكلاء يعالج تحديات تحليل السبب الجذري في الأنظمة الموزعة باستخدام بنية (متحكم-منفذ-مصوت) لتحقيق دقة وكفاءة عاليتين مع تقليل استهلاك الرموز (tokens) وضمان خصوصية البيانات.

المؤلفون الأصليون: Yidan Wang

نُشر 2026-09-22
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yidan Wang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

لم تعد الأنظمة البرمجية الحديثة مجرد آلات ضخمة موحدة؛ بل أصبحت مدنًا شاسعة ومعقدة من البرامج الصغيرة المستقلة التي تُسمى "الخدمات المصغرة" (microservices)، والتي تتواصل مع بعضها البعض باستمرار. وعندما تتعثر قطعة واحدة من هذه المدينة الرقمية، يمكن للشبكة بأكملها أن تتوقف عن العمل، مما يتسبب في كل شيء بدءًا من تأخر المدفوعات وصولاً إلى انهيار المواقع الإلكترونية. إن تحديد أي برنامج صغير بالضبط تسبب في هذا الانهيار هو مهمة تُعرف باسم "تحليل السبب الجذري" (Root Cause Analysis). ولعقود من الزمن، حاول المهندسون أتمتة عملية البحث هذه، لكن الحجم الهائل للبيانات — من سجلات، وأرقام أداء، ورموز خطأ — يجعل من الصعب على الأدوات التقليدية مواكبة ذلك. ومؤخرًا، أظهرت برامج حاسوبية قوية تُعرف بـ "نماذج اللغات الكبيرة" (Large Language Models) وعودًا في قراءة وفهم تدفقات البيانات الفوضوية هذه، تمامًا كما يفعل الخبير البشري. ومع ذلك، تواجه هذه النماذج عقباتها الخاصة: فقد تصاب بالارتباك بسبب كثرة المعلومات دفعة واحدة، وتكلفتها التشغيلية عالية، كما أن إرسال بيانات الشركة الحساسة إلى خوادم خارجية يثير مخاوف جدية بشأن الخصوصية.

لقد طور باحث في جامعة لوكسمبورغ نهجًا جديدًا لحل هذه المشكلات، يُسمى MARCA. وبدلاً من الاعتماد على برنامج حاسوبي واحد ضخم يقرأ كل شيء ويخمن الإجابة، يقوم MARCA بتقسيم المهمة إلى فريق صغير من العمال الرقميين المتخصصين. تخيل فريقًا من المحققين حيث يتولى شخص واحد توجيه التحقيق، وآخر يجمع أدلة محددة، وثالث يزن الأدلة لاتخاذ القرار النهائي. يعمل هذا الفريق معًا في حلقة مستمرة، يطرح الأسئلة، ويجمع البيانات، وينقح نظريته حتى يتأكدوا من أنهم وجدوا المصدر الحقيقي للفشل. ومن خلال تقسيم العمل، يتجنب النظام الغرق في كميات هائلة من البيانات، ويحافظ على المعلومات الحساسة داخل الخوادم المحلية لضمان الخصوصية، ويستخدم طاقة حوسبية أقل من الأساليب السابقة.

اختبر الباحث هذا النظام متعدد الوكلاء على منصة دفع محاكية بناها بنفسه، وكذلك على معايير عامة يستخدمها علماء آخرون. وقد قام بحقن أنواع مختلفة من الأعطال في النظام، مثل تحميل المعالج فوق طاقته، أو ملء الذاكرة، أو قطع اتصالات الشبكة، ليرى ما إذا كان بإمكان MARCA تحديد الجاني بشكل صحيح. كانت النتائج واضحة: وجد النظام الجديد السبب الجذري بشكل صحيح بنسبة 77 بالمائة تقريبًا، وهو تحسن كبير عن أفضل الطرق الموجودة حاليًا، والتي كانت تحوم حول 62 بالمائة. كما أثبت أنه أفضل بكثير في التمييز بين أنواع الفشل المختلفة، مثل التفريق بين بطء الشبكة ونقص الذاكرة، محققًا درجة عالية من الدقة تشير إلى قدرته على التعامل مع الإشارات المتداخلة والفوضوية الموجودة في الأنظمة الواقعية.

وما يجعل هذا النهج متميزًا هو كيفية تعامله مع تدفق المعلومات. فالطرق التقليدية غالبًا ما تحاول تغذية نموذج واحد بكل البيانات المتاحة دفعة واحدة، مما قد يربك النظام أو يجبره على تجاهل تفاصيل مهمة لتناسب حجم البيانات. في المقابل، يعمل MARCA كمحقق مركز؛ إذ يبدأ من النقطة التي لوحظت فيها المشكلة، ثم يتحقق بشكل منهجي من الاتصالات المؤدية إلى المصدر. وفي كل خطوة، يقرر وكيل "المتحكم" (controller) ما الذي يجب النظر فيه بعد ذلك، ويستخدم وكيل "المنفذ" (executor) أدوات متخصصة لجلب السجلات أو أرقام الأداء ذات الصلة، بينما يقوم وكيل "المصوّت" (voter) بدمج هذه النتائج لتحديث قائمة المشتبه بهم. وتتكرر هذه العملية حتى تشير الأدلة بقوة إلى خدمة معينة. وتسمح هذه الطريقة للنظام بتجاهل البيانات غير ذات الصلة، مما يجعل المهمة سهلة الإدارة وفعالة.

كما سلطت الدراسة الضوء على أن مجرد استخدام نموذج لغة أكثر قوة ليس كافيًا لحل المشكلة. فعندما قارن الباحث نهجه القائم على الفريق بنموذج واحد قوي يحاول القيام بالمهمة بأكملر بمفرده، كان النظام القائم على الفريق لا يزال يتفوق عليه بشكل ملحوظ. وهذا يشير إلى أن هيكلية التحقيق — أي الطريقة التي يتعاون بها الوكلاء، ويصفيون الضجيج، ويزنون أنواعًا مختلفة من الأدلة — هي أكثر أهمية من الذكاء الخام للنموذج الفردي. كما تم تصميم النظام ليكون قابلاً للتكيف؛ حيث يمكنه التعلم من أخطائه السابقة لتعديل مدى ثقته في أنواع مختلفة من البيانات، مثل ما إذا كان سيعتمد أكثر على رموز الخطأ أو مقاييس الأداء، بناءً على ما حقق أفضل النتائج في السيناريوهات السابقة.

ورغم أن النتائج واعدة، فقد حرص الباحث على توضيح حدود عمله. يعتمد النظام على وجود خريطة دقيقة لكيفية اتصال الخدمات ببعضها البعض؛ فإذا كانت هذه الخريطة مفقودة أو قديمة، فقد يخرج التحقيق عن مساره. بالإضافة إلى ذلك، في الحالات التي تحدث فيها مشكلات متعددة في الوقت ذاته، يواجه النظام أحيانًا صعوبة في الفصل بين الأعراض المتداخلة. ومع ذلك، تظل النتيجة الجوهرية قائمة: من خلال تنظيم التحليل في عملية تعاونية وتكرارية، من الممكن تشخيص أعطال البرمجيات المعقدة بدقة وكفاءة أكبر من ذي قبل. ويقدم هذا النهج مسارًا عمليًا للحفاظ على سير الأنظمة الرقمية واسعة النطاق بسلاسة، مما يضمن أنه عندما تسوء الأمور، يمكن العثğu عن الإجابة الصحيحة بسرعة دون المساس بأمن البيانات أو استنزاف موارد الحوسبة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →