MARCA: Multi-Agent Root Cause Analysis with Multi-Modal Data
यह शोध पत्र MARCA का प्रस्ताव करता है, जो एक कंट्रोलर-एक्सेक्यूटर-वोटर आर्किटेक्चर का उपयोग करके उच्च सटीकता और दक्षता प्राप्त करने तथा टोकन उपयोग को कम करने और डेटा गोपनीयता सुनिश्चित करने के माध्यम से वितरित प्रणालियों (डिस्ट्रीब्यूटेड सिस्टम्स) में रूट कॉज एनालिसिस की चुनौतियों का समाधान करने वाला एक मल्टी-एजेंट फ्रेमवर्क है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक सॉफ्टवेयर सिस्टम अब एकल, मोनोलिथिक मशीनें नहीं रह गए हैं; वे सूक्ष्म, स्वतंत्र प्रोग्रामों के विशाल, जटिल शहरों की तरह हैं जिन्हें माइक्रोसर्विसेज कहा जाता है, जो आपस में लगातार संवाद करते हैं। जब इस डिजिटल शहर का कोई एक हिस्सा लड़खड़ाता है, तो पूरा नेटवर्क रुक सकता है, जिससे भुगतान में देरी से लेकर वेबसाइटों के क्रैश होने तक सब कुछ हो सकता है। यह पता लगाना कि किस छोटे से प्रोग्राम ने इस पतन का कारण बनाया, रूट कॉज एनालिसिस (मूल कारण विश्लेषण) के रूप में जाना जाता है। दशकों से, इंजीनियरों ने इस खोज को स्वचालित करने का प्रयास किया है, लेकिन डेटा की विशाल मात्रा—लॉग्स, प्रदर्शन संख्याएँ और त्रुटि कोड—के कारण पारंपरिक उपकरणों के लिए तालमेल बिठाना कठिन हो जाता है। हाल ही में, लार्ज लैंग्वेज मॉडल्स (LLMs) नामक शक्तिशाली कंप्यूटर प्रोग्रामों ने इन अव्यवस्थित डेटा स्ट्रीम्स को पढ़ने और समझने में, बिल्कुल एक मानव विशेषज्ञ की तरह, आशाजनक क्षमता दिखाई है। हालाँकि, इन मॉडलों के अपने अवरोध भी हैं: वे एक साथ बहुत अधिक जानकारी से अभिभूत हो सकते हैं, उन्हें चलाना महंगा है, और संवेदनशील कंपनी डेटा को बाहरी सर्वरों पर भेजना गोपनीयता संबंधी गंभीर चिंताएं पैदा करता है।
लक्ज़मबर्ग विश्वविद्यालय के एक शोधकर्ता ने इन समस्याओं को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसे MARCA कहा जाता है। सब कुछ पढ़ने और उत्तर का अनुमान लगाने के लिए एक एकल, विशाल कंप्यूटर प्रोग्राम पर निर्भर रहने के बजाय, MARCA इस काम को विशेषज्ञ डिजिटल कार्यकर्ताओं की एक छोटी टीम में विभाजित करता है। एक जासूसी टीम की कल्पना करें जहाँ एक व्यक्ति जांच का निर्देशन करता है, दूसरा विशिष्ट सुराग एकत्र करता है, और तीसरा अंतिम निर्णय लेने के लिए साक्ष्यों का वजन करता है। यह टीम एक लूप में मिलकर काम करती है, प्रश्न पूछती है, डेटा एकत्र करती है, और अपने सिद्धांत को तब तक परिष्कृत करती है जब तक कि वे इस बात के प्रति आश्वस्त न हो जाएं कि उन्होंने विफलता के वास्तविक स्रोत को पा लिया है। काम को विभाजित करके, यह प्रणाली भारी मात्रा में डेटा से दबती नहीं है, गोपनीयता के लिए संवेदनशील जानकारी को स्थानीय सर्वरों पर रखती है, और पिछले तरीकों की तुलना में कम कंप्यूटिंग शक्ति का उपयोग करती है।
शोधकर्ता ने अपने स्वयं के बनाए गए एक सिम्युलेटेड पेमेंट प्लेटफॉर्म और अन्य वैज्ञानिकों द्वारा उपयोग किए जाने वाले सार्वजनिक बेंचमार्क पर इस मल्टी-एजेंट सिस्टम का परीक्षण किया। उन्होंने सिस्टम में विभिन्न प्रकार के दोषों को इंजेक्ट किया, जैसे प्रोसेसर को ओवरलोड करना, मेमोरी को भरना, या नेटवर्क कनेक्शन को काटना, यह देखने के लिए कि क्या MARCA अपराधी की सही पहचान कर सकता है। परिणाम स्पष्ट थे: नए सिस्टम ने लगभग 77 प्रतिशत बार मूल कारण को सही ढंग से पाया, जो कि मौजूदा सर्वोत्तम तरीकों (जो लगभग 62 प्रतिशत के आसपास थे) की तुलना में एक महत्वपूर्ण सुधार है। इसने विभिन्न प्रकार की विफलताओं के बीच अंतर करने में भी बहुत बेहतर प्रदर्शन किया, जैसे कि नेटवर्क की धीमी गति और मेमोरी की कमी के बीच अंतर करना, जिससे उच्च सटीकता प्राप्त हुई जो यह सुझाव देती है कि यह वास्तविक दुनिया के सिस्टम में पाए जाने वाले अव्यवस्थित और ओवरलैपिंग संकेतों को संभाल सकता है।
जो इस दृष्टिकोण को विशिष्ट बनाता है वह है इसका सूचना प्रवाह को संभालने का तरीका। पारंपरिक तरीके अक्सर उपलब्ध सभी डेटा को एक ही मॉडल में एक साथ डालने का प्रयास करते हैं, जो सिस्टम को भ्रमित कर सकता है या उसे सब कुछ समाहित करने के लिए महत्वपूर्ण विवरणों को अनदेखा करने के लिए मजबूर कर सकता है। इसके विपरीत, MARCA एक केंद्रित अन्वेषक की तरह कार्य करता है। यह उस बिंदु से शुरू होता है जहाँ समस्या का पता चला था और फिर व्यवस्थित रूप से स्रोत की ओर जाने वाले कनेक्शनों की जाँच करता है। प्रत्येक चरण पर, एक "कंट्रोलर" एजेंट तय करता है कि आगे क्या देखना है, एक "एक्सेक्यूटर" एजेंट प्रासंगिक लॉग या प्रदर्शन संख्या प्राप्त करने के लिए विशेष उपकरणों का उपयोग करता है, और एक "वोटर" एजेंट इन निष्कर्षों को मिलाकर संदिग्धों की सूची को अपडेट करता है। यह प्रक्रिया तब तक दोहराई जाती है जब तक कि साक्ष्य मजबूती से किसी एक विशिष्ट सेवा की ओर संकेत न कर दें। यह प्रक्रिया सिस्टम को अप्रासंगिक डेटा को अनदेखा करने की अनुमति देती है, जिससे कार्य प्रबंधनीय और कुशल बना रहता है।
अध्ययन ने इस बात पर भी प्रकाश डाला कि केवल एक अधिक शक्तिशाली भाषा मॉडल का उपयोग करना समस्या को हल करने के लिए पर्याप्त नहीं है। जब शोधकर्ता ने अपने टीम-आधारित दृष्टिकोण की तुलना एक एकल, शक्तिशाली मॉडल से की जो अकेले पूरा काम करने की कोशिश कर रहा था, तो टीम-आधारित प्रणाली ने अभी भी काफी बेहतर प्रदर्शन किया। यह सुझाव देता है कि जांच की संरचना—जिस तरह से एजेंट सहयोग करते हैं, शोर को फ़िल्टर करते हैं, और विभिन्न प्रकार के साक्ष्यों का वजन करते हैं—व्यक्तिगत मॉडल की कच्ची बुद्धिमत्ता से अधिक महत्वपूर्ण है। इस सिस्टम को अनुकूलन योग्य भी बनाया गया था; यह पिछले गलतियों से सीख सकता है ताकि यह तय कर सके कि डेटा के विभिन्न प्रकारों, जैसे कि त्रुटि कोड पर अधिक भरोसा करना है या प्रदर्शन मेट्रिक्स पर, कितना भरोसा किया जाए, जो कि पिछले परिदृश्यों में सबसे अच्छा रहा है।
हालाँकि परिणाम उत्साहजनक हैं, शोधकर्ता ने उनके कार्य की सीमाओं को नोट करने में सावधानी बरती। यह सिस्टम इस बात पर निर्भर करता है कि सेवाओं के बीच संबंध का एक सटीक मानचित्र उपलब्ध हो; यदि वह मानचित्र गायब या पुराना है, तो जांच पटरी से उतर सकती है। इसके अतिरिक्त, उन मामलों में जहाँ कई समस्याएं ठीक एक ही समय में होती हैं, सिस्टम कभी-कभी ओवरलैपिंग लक्षणों को अलग करने में संघर्ष करता है। फिर भी, मुख्य निष्कर्ष कायम है: विश्लेषण को एक सहयोगात्मक, पुनरावृत्ति प्रक्रिया में व्यवस्थित करके, जटिल सॉफ्टवेयर विफलताओं को पहले की तुलना में अधिक सटीकता और दक्षता के साथ निदान करना संभव है। यह दृष्टिकोण बड़े पैमाने के डिजिटल सिस्टम को सुचारू रूप से चलाने के लिए एक व्यावहारिक मार्ग प्रदान करता है, यह सुनिश्चित करते हुए कि जब चीजें गलत होती हैं, तो डेटा सुरक्षा से समझौता किए बिना या कंप्यूटिंग संसाधनों को प्रभावित किए बिना सही उत्तर जल्दी से मिल सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।