クラウド–エッジ協調型ハードウェアセンシングと動的信頼性推定、証拠制約付き大規模言語モデル推論
Cloud–Edge Collaborative Hardware Sensing with Dynamic Reliability Estimation and Evidence-Constrained Large Language Model Reasoning
本研究は、銀行のデータセンターにおけるIT運用データ(サーバー、ネットワーク機器、エッジノード、ビジネス端末からの異種IT運用ストリーム)を対象とした、クラウド–エッジ協調型ハードウェアセンシングと証拠制約付き大規模言語モデル推論のフレームワークを提案する。既存の検出器は非同期サンプリングや信頼性の低いチャネルに脆弱であるが、本フレームワークはセンサー品質を考慮した時間的エンコーディング、トポロジーと時系列に制約されたイベントグラフ推論、証拠制約付き言語生成を組み合わせる。エッジでは、動的な信頼性スコアが欠落、ノイズ、遅延、ドリフト、フリーズしたチャネルを抑制する。クラウド層では、モデルが根本原因をランク付けし、伝播関係と発生時刻をデバイスのトポロジー、ログ、アラーム、保守記録から特定する。その後、言語モデルが証拠パッケージから追跡可能なインシデント解釈を生成し、サポートが不十分または矛盾する場合は主張を却下する。2024年から2025年にかけて商業銀行の本店および災害復旧データセンターから収集されたIT運用データを用いた実験では、ハードウェア異常検出において95.38%の精度、95.06%の精度、94.71%のリコール、94.88%のF1スコア、97.41%のAUCを達成した。根本原因特定精度、Top-3精度、イベント関係F1スコア、時間的位置特定誤差はそれぞれ91.84%、97.26%、90.73%、1.82秒であった。完全なモデルは94.68%の証拠サポート率と4.26%のサポートされないステートメント率を達成した。
- クラウド–エッジ協調型ハードウェアセンシングと証拠制約付きLLM推論によるIT運用フレームワークを提案。エッジ側の動的信頼性スコアで欠落・ノイズ・遅延・ドリフト・フリーズしたチャネルを抑制し、クラウド側で根本原因のランキングと伝播関係・発生時刻を特定する。
- 2024〜2025年に商業銀行の本店および災害復旧データセンターから収集したIT運用データでの実験で、ハードウェア異常検出は精度95.38%、リコール94.71%、F1 94.88%、AUC 97.41%を達成。
- 根本原因特定精度91.84%、Top-3精度97.26%、イベント関係F1 90.73%、時間的位置特定誤差1.82秒を達成。
- 言語モデルは証拠パッケージから追跡可能なインシデント解釈を生成し、サポートが不十分・矛盾する場合は主張を却下。証拠サポート率94.68%、サポートされないステートメント率4.26%。
本研究は銀行のデータセンターIT運用を対象に、クラウド–エッジ協調のハードウェア異常検知と証拠制約付きLLM推論を組み合わせ、異常検知95.38%・根本原因Top-3精度97.26%・証拠サポート率94.68%という高い数値を実データで示した点が注目される。LLMのハルシネーション対策として「根拠が不十分な主張を却下する」設計は、金融・ミッションクリティカル領域へのAI導入における導入障壁(説明責任・監査対応)を下げる方向性であり、AIOps/可観測性ベンダーや金融機関のIT運用自動化投資の評価軸になり得る。ただし具体的な製品化・調達・商用契約の情報はなく、投資判断には商用展開や採用企業の動向を継続確認する必要がある。