📄ArXiv AI•最新收集於 21h
CoreSec 將拒答機制導入網路根因分析
#root-cause-analysis#abstention#datacenter-networkscoreseccoresecclos
💡了解明確拒答如何讓雜訊 Clos 網路中的自動根因分析更安全、更穩定。
⚡ 30-Second TL;DR
有什麼變化
以控制旗標和拒答代數取代不穩定的加權分數根因分析。
為什麼重要
對 AI 基礎設施團隊而言，可靠的自動化不只取決於提升歸因分數，也取決於系統是否知道何時不應做出判斷。明確的拒答機制可能降低錯誤根因告警，讓大型網路中的自動修復更安全。
下一步行動
為你的網路根因分析流程建立 PAM 風格的拒答層，並使用歷史 Clos 遙測資料，將錯誤歸因與加權分數基線進行比較。
誰應關注：Enterprise & Security Teams
關鍵要點
- •以控制旗標和拒答代數取代不穩定的加權分數根因分析。
- •透過拓撲感知設定，建模 Clos 網路中的故障面。
- •隨著非同步且不完整的遙測證據累積，結果會單調收斂。
- •已在超大規模環境部署，無需針對不同環境重新調校。
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 7 個來源。
🔑 增強重點摘要
- •CoreSec 於 2026 年 7 月在西雅圖舉行的 OSDI '26 會議上正式發表，論文標題為《The Abstention Protocol: RCA for Clos Fabrics》。
- •該系統已在超過 60 個 Azure 資料中心區域進行大規模部署，並在過去三年內處理了超過 70 萬起網路故障事件。
- •導入拒答機制後，根因分析的誤報率從原先的 18–22% 顯著降低至 1% 以下。
- •系統目前的拒答率（Abstention Rate）維持在約 1.5% 的水準，確保了決策的高度確定性。
- •該研究由 Madhava Gaikwad 與 Deepak Pandey 共同開發，並收錄於 arXiv 預印本資料庫（編號：2608.21412）。
🛠️ 技術深入
- 採用 PAM（Possibilistic/Probabilistic Abstention Model）風格的代數運算，取代傳統基於加權分數的融合演算法。
- 透過控制旗標（Control Flags）機制，在遙測資料不完整時強制系統進入拒答狀態，而非強行輸出不確定的診斷結果。
- 結合拓撲感知（Topology-aware）建模，精確定義 Clos 網路架構中的故障傳播路徑與故障面。
- 具備單調收斂特性，隨著非同步遙測證據的持續累積，分析結果會逐步趨向確定性。
🔮 前景展望AI analysis grounded in cited sources
拒答代數將成為超大規模網路自動化診斷的標準架構。
CoreSec 在 Azure 的大規模部署證明了拒答機制能有效解決傳統加權分數法在處理雜訊資料時的穩定性問題。
網路根因分析系統將從機率預測轉向確定性邏輯推理。
透過明確的拒答機制，系統能提供更具可解釋性的診斷結果，減少維運人員對誤報的排查成本。
⏳ 時間線
2023-08
CoreSec 系統開始在 Azure 生產環境中進行大規模部署與數據累積。
2026-07
研究論文《The Abstention Protocol: RCA for Clos Fabrics》於 OSDI '26 會議發表。
2026-08
CoreSec 相關技術細節與論文正式收錄於 arXiv 平台。
📎 來源 (7)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗
每週 AI 簡報
每週一封，可隨時退訂。