Buchumschlag

L4: Diagnosing Large-scale LLM Training Failures via Automated Log Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jiang, Zhihan, Huang, Junjie, Chen, Zhuangbin, Li, Yichen, Yu, Guangba, Feng, Cong, Yang, Yongqiang, Yang, Zengyin, Lyu, Michael R.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TraceMesh: Scalable and Streaming Sampling for Distributed Traces
von: Chen, Zhuangbin, et al.
Veröffentlicht: (2024)

AI-NativeBench: An Open-Source White-Box Agentic Benchmark Suite for AI-Native Systems
von: Wang, Zirui, et al.
Veröffentlicht: (2026)

AlertGuardian: Intelligent Alert Life-Cycle Management for Large-scale Cloud Systems
von: Yu, Guangba, et al.
Veröffentlicht: (2026)

Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs
von: Yu, Guangba, et al.
Veröffentlicht: (2026)

Hierarchical Prediction-based Management for LMaaS Systems
von: Jiang, Zhihan, et al.
Veröffentlicht: (2025)

Metronome: Differentiated Delay Scheduling for Serverless Functions
von: Chen, Zhuangbin, et al.
Veröffentlicht: (2025)

A Survey on Failure Analysis and Fault Injection in AI Systems
von: Yu, Guangba, et al.
Veröffentlicht: (2024)

CodeAD: Synthesize Code of Rules for Log-based Anomaly Detection with LLMs
von: Huang, Junjie, et al.
Veröffentlicht: (2025)

MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era
von: Zhang, Lei, et al.
Veröffentlicht: (2026)

SPES: Towards Optimizing Performance-Resource Trade-Off for Serverless Functions
von: Lee, Cheryl, et al.
Veröffentlicht: (2024)

CSnake: Detecting Self-Sustaining Cascading Failure via Causal Stitching of Fault Propagations
von: Qian, Shangshu, et al.
Veröffentlicht: (2025)

SWIFT: Expedited Failure Recovery for Large-scale DNN Training
von: Zhong, Yuchen, et al.
Veröffentlicht: (2023)

LLOR: Automated Repair of OpenMP Programs
von: Bora, Utpal, et al.
Veröffentlicht: (2024)

Performant Automatic BLAS Offloading on Unified Memory Architecture with OpenMP First-Touch Style Data Movement
von: Li, Junjie
Veröffentlicht: (2024)

Umbilical Choir: Automated Live Testing for Edge-To-Cloud FaaS Applications
von: Malekabbasi, Mohammadreza, et al.
Veröffentlicht: (2025)

LLM-HPC++: Evaluating LLM-Generated Modern C++ and MPI+OpenMP Codes for Scalable Mandelbrot Set Computation
von: Diehl, Patrick, et al.
Veröffentlicht: (2025)

A Framework for Effective Invocation Methods of Various LLM Services
von: Wang, Can, et al.
Veröffentlicht: (2024)

ATOM: Asynchronous Training of Massive Models for Deep Learning in a Decentralized Environment
von: Wu, Xiaofeng, et al.
Veröffentlicht: (2024)

LLM4FaaS: No-Code Application Development using LLMs and FaaS
von: Wang, Minghe, et al.
Veröffentlicht: (2025)

Supercharging Federated Learning with Flower and NVIDIA FLARE
von: Roth, Holger R., et al.
Veröffentlicht: (2024)

Do Large Language Models Understand Performance Optimization?
von: Cui, Bowen, et al.
Veröffentlicht: (2025)

GitFarm: Git as a Service for Large-Scale Monorepos
von: Dwivedi, Preetam, et al.
Veröffentlicht: (2026)

A Large-Scale Exploratory Study on the Proxy Pattern in Ethereum
von: Ebrahimi, Amir M., et al.
Veröffentlicht: (2025)

CloudHeatMap: Heatmap-Based Monitoring for Large-Scale Cloud Systems
von: Sohana, Sarah, et al.
Veröffentlicht: (2024)

ShuffleBench: A Benchmark for Large-Scale Data Shuffling Operations with Distributed Stream Processing Frameworks
von: Henning, Sören, et al.
Veröffentlicht: (2024)

FalconGEMM: Surpassing Hardware Peaks with Lower-Complexity Matrix Multiplication
von: Zhu, Honglin, et al.
Veröffentlicht: (2026)

Automated MPI-X code generation for scalable finite-difference solvers
von: Bisbas, George, et al.
Veröffentlicht: (2023)

CloudFix: Automated Policy Repair for Cloud Access Control Policies Using Large Language Models
von: Hall, Bethel, et al.
Veröffentlicht: (2025)

PALM: A Efficient Performance Simulator for Tiled Accelerators with Large-scale Model Training
von: Fang, Jiahao, et al.
Veröffentlicht: (2024)

ReviveMoE: Fast Recovery for Hardware Failures in Large-Scale MoE LLM Inference Deployments
von: Li, Haley, et al.
Veröffentlicht: (2026)

ResiHP: Taming LLM Training Failures with Dynamic Hybrid Parallelism
von: Ma, Tenghui, et al.
Veröffentlicht: (2026)

LO2: Microservice API Anomaly Dataset of Logs and Metrics
von: Bakhtin, Alexander, et al.
Veröffentlicht: (2025)

Lumos: Efficient Performance Modeling and Estimation for Large-scale LLM Training
von: Liang, Mingyu, et al.
Veröffentlicht: (2025)

NApy: Efficient Statistics in Python for Large-Scale Heterogeneous Data with Enhanced Support for Missing Data
von: Woller, Fabian, et al.
Veröffentlicht: (2025)

LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation
von: Duan, Chiming, et al.
Veröffentlicht: (2025)

SeBS-Flow: Benchmarking Serverless Cloud Function Workflows
von: Schmid, Larissa, et al.
Veröffentlicht: (2024)

A Unifying Framework to Enable Artificial Intelligence in High Performance Computing Workflows
von: Domke, Jens, et al.
Veröffentlicht: (2025)

Integrating Odeint Time Stepping into OpenFPM for Distributed and GPU Accelerated Numerical Solvers
von: Singh, Abhinav, et al.
Veröffentlicht: (2023)

$μ$OpTime: Statically Reducing the Execution Time of Microbenchmark Suites Using Stability Metrics
von: Japke, Nils, et al.
Veröffentlicht: (2025)

Adaptable TeaStore
von: Bliudze, Simon, et al.
Veröffentlicht: (2024)