MetaKube: KI-gestützte Fehlerdiagnose für Kubernetes mit Erfahrungslernen

In der Welt der Kubernetes-Fehlerdiagnose haben bisherige KI‑Modelle keine Möglichkeit, aus vergangenen Lösungen zu lernen. Sie arbeiten mit statischen Wissensbasen und verbessern sich nicht, wenn neue Fehler auftreten. MetaKube löst dieses Problem, indem es ein erfahrungsbasiertes Framework entwickelt, das aus realen Auflösungen lernt und dadurch die Diagnoseleistung kontinuierlich steigert.

Das System setzt auf drei zentrale Innovationen: Erstens ein Episodisches Muster‑Speicher‑Netzwerk (EPMN), das diagnostische Muster aus historischen Fällen extrahiert und eine verlässliche, schnellere Musterabfrage ermöglicht. Zweitens einen meta‑kognitiven Steuermechanismus, der je nach Bekanntheit des Problems zwischen intuitiven und analytischen Lösungswegen wechselt, um Geschwindigkeit und Tiefe optimal zu balancieren. Drittens KubeLLM, ein lokal einsetzbares 8‑Billionen‑Parameter‑Modell, das durch domänenspezifisches Post‑Training auf einem 7.000‑Stichproben‑Datensatz für Kubernetes‑Fehlerdiagnose optimiert wurde.

In einer umfangreichen Evaluierung mit 1.873 realen Szenarien konnte MetaKube die Leistung von Qwen3‑8B von 50,9 auf 90,5 Punkte steigern – ein Ergebnis, das nahe an GPT‑4.1 liegt – und gleichzeitig die vollständige Datensicherheit gewährleistet. Der EPMN‑Ansatz trägt dabei 15,3 % zur Verbesserung bei, und kontinuierliche Lernexperimente zeigen, dass das System mit jeder neuen Auflösung weiter wächst.

Der Quellcode sowie sämtliche zugehörigen Ressourcen sind frei verfügbar unter https://github.com/MetaKube-LLM-for-Kubernetes-Diagnosis/MetaKube.