À l’ère des infrastructures informatiques toujours plus complexes, la surveillance efficace de ces environnements distribués et hétérogènes reste un défi majeur. Une nouvelle étude, présentée lors de la session spéciale LLM-Net de la conférence IEEE LCN 2025 à Sydney, explore le potentiel des modèles de langage (LLM) — open source et commerciaux — pour identifier des relations causales entre les métriques de surveillance. En comparant leurs performances avec des algorithmes traditionnels comme PCMCI+, cette recherche ouvre la voie à une surveillance plus intelligente et économe en ressources, notamment dans le cadre du projet PEPR Cloud SPIREC.
1. Contexte et enjeux
La surveillance des environnements informatiques modernes, marqués par leur distribution, leur hétérogénéité et leur évolutivité, se heurte à un obstacle de taille : l’absence de connaissances préalables sur les métriques les plus critiques. Pourtant, ces métriques sont souvent liées par des relations causales invisibles à l’œil nu. C’est dans ce contexte que les Large Language Models (LLM) émergent comme une solution prometteuse, capables d’analyser et de raisonner sur des données complexes grâce à leur maîtrise du langage naturel.
2. Objectifs de l’étude
Présentée lors de la session LLM-Net de la conférence IEEE LCN 2025 (Sydney, Australie), cette publication évalue la capacité des LLM — open source et commerciaux — à découvrir des liens causaux entre les métriques de surveillance. L’étude compare leurs performances avec celles d’un algorithme traditionnel (PCMCI+), en testant différents styles de prompts pour optimiser les résultats.
3. Méthodologie et résultats
Les chercheurs ont exploité les capacités de raisonnement causal des LLM pour générer des scores indiquant l’importance relative des métriques. Ces scores, intégrés à un agent d’apprentissage par renforcement (RL), permettent de :
- Réduire la surcharge de calcul en ciblant les métriques les plus informatives.
- Économiser les ressources en évitant une surveillance exhaustive et souvent redondante.
4. Applications et perspectives
Ce travail s’inscrit dans le cadre du projet PEPR Cloud SPIREC (lot 1), où l’intelligence de la surveillance est renforcée par l’apport de connaissances causales préalables. À terme, cette approche pourrait révolutionner la gestion des infrastructures informatiques, en rendant la surveillance plus agile, moins coûteuse et plus durable.
Plus d’infos : consultez le papier complet ici