技術概要：AURORA – 因果的観測性を備えた不確実性認識型レジリエンスマイクロエージェント

1. 問題定義

エッジ、フォグ、クラウドの各階層に計算を分散させるコンピューティング・コンティニュアムは、システムの異質性により、ランタイムにおけるレジリエンスの維持に重大な課題に直面しています。主要な障壁は、ネットワーク輻輳、CPU 競合、メモリリークなどの微妙で壊滅的ではない故障である「グレー故障」の蔓延です。これらの故障は、スループットの低下、レイテンシの急上昇、SLO 違反など、一時的なワークロードの変動と区別が困難な曖昧で重複する症状を生み出します。

既存のアプローチは、この文脈において以下の 2 つの理由で失敗することが多いです：

1. 因果的認識の欠如: ルールベースのシステムや相関駆動型の監視は、競合する故障仮説を確実に区別できず、誤った修復（例：ネットワークの問題により健全なサービスを再起動する）につながります。
2. 高い認識的不確実性: 多くの能動推論（AIF）フレームワークは、明示的な安全境界なしに高い不確実性のもとで動作します。リソース制約のあるエッジ環境では、較正が不十分なモデルに基づいて動作すると、故障を悪化させたり競合を伝播させたりする「破壊的な介入」を引き起こす可能性があります。

現在のマクロレベルのガバナンス手法は、エッジデバイスにおけるリアルタイムかつ自律的なトリアージに苦慮しており、既存のマイクロエージェントフレームワークは、認識的不確実性が危険なほど高い場合に動作を防止するための数学的な安全境界を欠いていることが多くあります。

2. 手法：AURORA フレームワーク

本論文は、エッジ階層環境向けに設計された軽量フレームワークであるAURORA（因果的観測性を備えた不確実性認識型レジリエンスマイクロエージェント）を提案します。これは、能動推論（AIF）、ベイジアンネットワーク（BN）、およびPearl の do-calculusを統合し、局所的な因果推論と安全な修復を可能にします。

中核的なアーキテクチャ構成要素

• 並列マイクロエージェントパイプライン:
  • 観測層: 4 つの並行かつ単一責任のマイクロエージェントが、特定のシステム側面（ネットワーク遅延、ノード負荷、カメラトラフィック、帯域幅）を監視します。特定の SLO 述語（$\phi_i$）が違反された場合に異常をフラグ付けします。
  • 因果推論: 異常を検出すると、専用の推論エージェントが、事前に指定されたベイジアンネットワークを使用して、候補となる根本原因（$C$）の事後分布を構築します。リソース制約のあるハードウェア（例：Raspberry Pi）での実行可能性を確保するため、推論は症状ノードのマルコフブランケットに制限され、条件付き独立変数は除外されます。
  • 根本原因のランキング: 候補は、以下の 3 つを組み合わせた複合スコア（$\rho$）を用いてランキングされます：
    1. 介入的対比（$\Delta$）: 対照的な介入（$do(C)$）下での症状確率の変化と、良性の割り当てとの比較。
    2. 観測された重大度（$\sigma$）: 異常の大きさ。
    3. 構造的事前分布: 症状ノードおよび根本ノードの直接親を、媒介変数よりも優先する重み。

二重ゲート実行メカニズム

AURORA は、2 つの直交する条件が満たされた場合にのみローカル修復を承認する、新規の安全メカニズムを導入します。いずれかの条件が満たされない場合、エージェントはローカル動作を控えて診断ペイロードをフォグ階層にエスカレートします。

1. ゲート 1：事後確信ゲート:

   • 上位にランク付けされた根本原因の最大事後確率（$P_{max}$）が、動的な閾値（$\tau$）を超えているかを確認します。
   • 動的スケーリング: 閾値 $\tau$ は、同時発生する異常の数（$n$）に基づいて線形に緩和され、多重故障シナリオ中の完全な動作回避を防ぎます。これは最小下限（$\tau_{min}$）によって制限されます。
   • 目的: エージェントが故障クラスを区別するのに十分な確信を持っていることを保証します。

2. ゲート 2：変分自由エネルギー（VFE）安全ゲート:

   • 予測された介入後の状態が現在の観測と一致するかを確認します。VFE（$F$）を以下のように分解します：
     • 実用的項（$F_{pragmatic}$）: 予測された SLO 回復確率が低い動作にペナルティを課します。
     • 認識項（$F_{epistemic}$）: エージェントの事後分布をネットワーク全体で不安定化させる動作にペナルティを課します。
   • 目的: 生成モデルが較正されており、提案された動作がシステム状態において「驚き（不一致）」を生み出さないことを保証します。

修復ロジック

両方のゲートを通過した場合、エージェントは SLO 回復の確率（$P(S=1 | do(a))$）を最大化する動作（$a^*$）を実行します。いずれかのゲートが失敗した場合、システムは意図的な動作回避を行い、診断ペイロードをシリアライズして、破壊的なローカル介入のリスクを冒すことなく、より深い分析のためにフォグ階層にオフロードします。

3. 主要な貢献

本論文は、以下の 3 つの主要な技術的貢献を要約しています：

1. 軽量並列アーキテクチャ: 事後故障信念および認識的不確実性のもとで、局所的な因果的観測性と AIF ベースの回復推論を実行するマイクロエージェント設計。エッジデバイスに適しています。
2. 有界複雑性の因果モデリング: マルコフブランケット制約付き推論を備えたベイジアンネットワークの使用により、システム全体の状態を網羅的に評価することなく、do-calculus によるリアルタイムの対照的根本原因診断を可能にします。
3. 二重ゲート安全メカニズム: 因果的確信が高く、予測される認識的不確実性が有界である場合にのみローカル回復を承認し、それ以外の場合はフォグ階層へエスカレートする新規の実行プロトコル。

4. 実験結果

本フレームワークは、30,006 回のモンテカルロ試行において、3 つのグレー故障クラス（ネットワーク帯域幅の問題、異常な処理（CPU スパイク）、メモリ枯渇）を含む、リソース制約のあるビデオストリーミングエッジデバイス（Raspberry Pi 4）をシミュレートする Python ベースのシミュレータで評価されました。

比較ベースライン:

• ルールベースエージェント: 因果推論のない静的な閾値。
• AIF（ゲートなし）エージェント: ベイジアンネットワークを備えた標準的な AIF だが、認識的安全境界はない。

主要指標:

• 破壊的動作率: AURORA はすべての試行で**0.0%の破壊的動作を達成しました。対照的に、ルールベースおよび AIF（ゲートなし）のベースラインは33.3%**の破壊的動作率を示しました。
• 修復精度: AURORA は**62.0%**の修復精度を維持しました。ゲートなし AIF ベースラインの 66.7% よりも低いものの、これは高不確実性下での動作拒否（安全第一の設計）に起因します。
• 動作回避率: AURORA は**65.9%**のケースで動作を回避し、安全バッファとして機能しました。二重ゲートメカニズムは冗長ではありませんでした：事後確信ゲートは 44.3% のケースで動作回避をトリガーし、VFE ゲートは 21.6% でトリガーし、重複が全体の動作回避率を構成しました。
• 平均修復時間（MTTR）: ベイジアン推論および VFE 計算の計算オーバーヘッドにもかかわらず、AURORA は平均 MTTR を3msで達成し、リアルタイムエッジ展開の実現性を確認しました。

5. 意義と主張

本論文は、AURORA がエッジにおける不確実性認識型マイクロエージェントのレジリエンスの実現可能性を実証していると主張しています。その主な意義は、「強制された自律性」から「意図的な動作回避」へのパラダイムシフトにあります。

著者らは、予測不可能なグレー故障条件下では、すべての故障を自律的に解決しようとするよりも、不確実性を認識し、それを有界化することの方が価値が高いと論じています。厳密に安全境界を強制することで、AURORA はルールベースおよびゲートなし AIF システムで一般的である破壊的なカスケード故障のリスクを排除しつつ、無制限のモデルと同等の診断精度を維持します。このフレームワークは「自律性の優雅な低下」を達成し、エッジ階層は確信が高く不確実性が低いケースを局所的に処理し、曖昧で不確実性が高いケースをフォグ階層へエスカレートすることで、盲目的で潜在的に有害な決定を下すことを回避します。

本論文は、AURORA が破壊的な介入を成功裡に防止している一方で、現実的な物理的制約（例：テレメトリノイズ、作動遅延）下での性能評価および SLO 述語とゲート閾値の較正の自動化を行うために、物理的なエッジ - フォグテストベッドへのシステム展開が今後の課題であると結論付けています。