Mape K
PulseAugur coverage of Mape K — every cluster mentioning Mape K across labs, papers, and developer communities, ranked by signal.
-
基于因果关系的强化学习框架增强自主系统恢复能力
研究人员开发了CRRL，一个将基于因果关系的强化学习与面向自主代理的基于规则的恢复系统相结合的新型框架。该方法解决了传统强化学习的局限性，传统强化学习常常难以应对新颖的故障场景并可能导致系统瘫痪。通过整合从驾驶日志中获得的因果理解，CRRL训练策略以预测并有效地与基于规则的干预措施协同工作，从而提高了奖励、距离和速度等性能指标。该框架在驾驶场景中取得了成功，一些代理在无需恢复干预的情况下实现了导航能力。
-
新的 MAPE-K 架构旨在解决 LLM API 可靠性问题
提出了一种新的 MAPE-K（监控-分析-计划-执行-知识）自愈架构，以解决 AI 代理中 LLM API 的显著可靠性问题。Datadog 报告称，生产环境中 LLM API 的平均故障率为 5%，导致大量任务失败，尤其是在长链代理场景中。现有的解决方案，如手动重试、网关代理（LiteLLM、Portkey）或自定义容错逻辑存在局限性，未能实现零干预恢复。所提出的嵌入式自愈引擎（由 NeuralBridge SDK 演示）声称具有 …
-
新的自适应恢复框架使Web应用获得自愈能力
研究人员开发了一个用于Web应用的自愈框架，该框架使用MAPE-K模型和受AutoFix启发的自适应恢复机制。该系统在二十种故障场景下进行了测试，显示出90.7%的高故障检测率和93.2%的恢复成功率。该框架将故障恢复时间显著缩短了56.2%，在仅略微增加响应时间的情况下保持了系统吞吐量。
-
AI框架利用LLM合成、验证规则，以实现安全和法律基础
研究人员开发了一个新颖的神经符号因果框架，旨在改进安全关键应用中的基于规则的系统。该扩展框架包含一个元层，其中包含一个目标/规则合成器和一个规则验证引擎，以解决目标错误指定和可扩展性等问题。该系统利用大型语言模型从自然语言目标和原则中合成形式化规则，然后在集成前验证其逻辑一致性和安全性。