Buchumschlag

Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhu, Yuhan, Wang, Jian, Li, Bing, Tang, Xuxian, Li, Hao, Zhang, Neng, Zhao, Yuqi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Artificial Intelligence Performance
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Root Cause Localization for Microservice Systems with Multi-Agent Recursion-of-Thought
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2025)

Agentic Memory Enhanced Recursive Reasoning for Root Cause Localization in Microservices
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2026)

AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms
von: Barua, Biman, et al.
Veröffentlicht: (2024)

Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2026)

Employing Software Diversity in Cloud Microservices to Engineer Reliable and Performant Systems
von: Akhtarian, Nazanin, et al.
Veröffentlicht: (2024)

Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism
von: Zhang, Lingzhe, et al.
Veröffentlicht: (2026)

SWE-fficiency: Can Language Models Optimize Real-World Repositories on Real Workloads?
von: Ma, Jeffrey Jian, et al.
Veröffentlicht: (2025)

A Model-driven Approach for Continuous Performance Engineering in Microservice-based Systems
von: Cortellessa, Vittorio, et al.
Veröffentlicht: (2023)

Predicting Configuration Performance in Multiple Environments with Sequential Meta-learning
von: Gong, Jingzhi, et al.
Veröffentlicht: (2024)

PerfBench: Can Agents Resolve Real-World Performance Bugs?
von: Garg, Spandan, et al.
Veröffentlicht: (2025)

Prompting for Performance: Exploring LLMs for Configuring Software
von: Spieker, Helge, et al.
Veröffentlicht: (2025)

Predicting Software Performance with Divide-and-Learn
von: Gong, Jingzhi, et al.
Veröffentlicht: (2023)

Interpreting Performance Profiles with Deep Learning
von: Liu, Zhuoran
Veröffentlicht: (2025)

On the Compression of Language Models for Code: An Empirical Study on CodeBERT
von: d'Aloisio, Giordano, et al.
Veröffentlicht: (2024)

Do AI Models Dream of Faster Code? An Empirical Study on LLM-Proposed Performance Improvements in Real-World Software
von: Yi, Lirong, et al.
Veröffentlicht: (2025)

Should AI Optimize Your Code? A Comparative Study of Classical Optimizing Compilers Versus Current Large Language Models
von: Rosas, Miguel Romero, et al.
Veröffentlicht: (2024)

This Is Taking Too Long -- Investigating Time as a Proxy for Energy Consumption of LLMs
von: Krupp, Lars, et al.
Veröffentlicht: (2026)

Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations
von: Rani, Pooja, et al.
Veröffentlicht: (2025)

Energy Consumption of Dataframe Libraries for End-to-End Deep Learning Pipelines:A Comparative Analysis
von: Kumar, Punit, et al.
Veröffentlicht: (2025)

An Empirical Study on How Architectural Topology Affects Microservice Performance and Energy Usage
von: Ristova, Irena, et al.
Veröffentlicht: (2026)

SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice
von: Ren, Rui, et al.
Veröffentlicht: (2024)

VecTrans: Enhancing Compiler Auto-Vectorization through LLM-Assisted Code Transformations
von: Zheng, Zhongchun, et al.
Veröffentlicht: (2025)

Which Types of Heterogeneity Matter for Root Cause Localization in Microservice Systems ?
von: Wang, Runzhou, et al.
Veröffentlicht: (2026)

Investigating Execution-Aware Language Models for Code Optimization
von: Di Menna, Federico, et al.
Veröffentlicht: (2025)

Kevin: Multi-Turn RL for Generating CUDA Kernels
von: Baronio, Carlo, et al.
Veröffentlicht: (2025)

Learning Performance-Improving Code Edits
von: Shypula, Alexander, et al.
Veröffentlicht: (2023)

AI-driven Java Performance Testing: Balancing Result Quality with Testing Time
von: Traini, Luca, et al.
Veröffentlicht: (2024)

Lookup multivariate Kolmogorov-Arnold Networks
von: Pozdnyakov, Sergey, et al.
Veröffentlicht: (2025)

KernelBench: Can LLMs Write Efficient GPU Kernels?
von: Ouyang, Anne, et al.
Veröffentlicht: (2025)

Rethinking Autonomy: Preventing Failures in AI-Driven Software Engineering
von: Navneet, Satyam Kumar, et al.
Veröffentlicht: (2025)

Enhancing Energy-Awareness in Deep Learning through Fine-Grained Energy Measurement
von: Rajput, Saurabhsingh, et al.
Veröffentlicht: (2023)

MNN-AECS: Energy Optimization for LLM Decoding on Mobile Devices via Adaptive Core Selection
von: Huang, Zhengxiang, et al.
Veröffentlicht: (2025)

GPU Kernel Scientist: An LLM-Driven Framework for Iterative Kernel Optimization
von: Andrews, Martin, et al.
Veröffentlicht: (2025)

LLM-Vectorizer: LLM-based Verified Loop Vectorizer
von: Taneja, Jubi, et al.
Veröffentlicht: (2024)

Automated Root Cause Analysis System for Complex Data Products
von: Demarne, Mathieu, et al.
Veröffentlicht: (2024)

Are GNNs Actually Effective for Multimodal Fault Diagnosis in Microservice Systems?
von: Gao, Fei, et al.
Veröffentlicht: (2025)

Performance Prediction for Large Systems via Text-to-Text Regression
von: Akhauri, Yash, et al.
Veröffentlicht: (2025)

MicroHECL: High-Efficient Root Cause Localization in Large-Scale Microservice Systems
von: Liu, Dewei, et al.
Veröffentlicht: (2021)

LLMSYS-HPOBench: Hyperparameter Optimization Benchmark Suite for Real-World LLM Systems
von: Wu, Siyu, et al.
Veröffentlicht: (2026)

LLM Interactive Optimization of Open Source Python Libraries -- Case Studies and Generalization
von: Florath, Andreas
Veröffentlicht: (2023)