分散 AI 推論システムにおける時間、因果律および観測性障害

arXiv:2604.21361v1 Announce Type: new 要約: 分散 AI 推論パイプラインは、システム挙動を理解するために時間ベースの観測性に大きく依存しています。本稿は、ノード間の微小なクロックズキが観測性を因果的に誤った状態にする一方で、システム自体が機能的に正しくパフォーマンスを維持することが示されています。我々は、単一ステージでクロックズキを誘導したマルチノード AI 推論パイプライン上の制御された実験を提案しました。結果は、同期条件下および最大 3 ミリ秒のズキにおいて観測される違反がないことを示し、5 ミリ秒のズキになると明確な因果律の違反が出現することを示しました。しかしながら、システム透過率および出力の正しさはほとんど影響を及ぼしません。我々はさらに、違反の挙動は厳密に静的でないことを観察しました。より長い実行では、負のスパンレートは時間とともに安定または減少する可能性があります。これは、ノード間の相対的なクロックドリフトによって有効なズキが変化する 있음을示唆しています。実験は Kafka と ZeroMQ トランスポートを使用しました。両者で一貫した結果を得ました。Aeron は活発に探求されているにもかかわらず、完了された検証セットに含まれていません。これらの発見は、観測性の正しさはシステム機能だけでなく、正確な時間並べ合わせにも依存することを示唆しており、分散 AI システムではタイミングをファーストクラスの問題として扱う必要があることを示唆しています。

arXiv:2604.21361v1 Announce Type: new Abstract: Distributed AI inference pipelines rely heavily on timestamp-based observability to understand system behavior. This work demonstrates that even small clock skew between nodes can cause observability to become causally incorrect while the system itself remains functionally correct and performant. We present controlled experiments on a multi-node AI inference pipeline, where clock skew is introduced at a single stage. Results show that no violations are observed under synchronized conditions and up to 3 ms skew, while clear causality violations emerge by 5 ms. Despite this, system throughput and output correctness remain largely unaffected. We further observe that violation behavior is not strictly static. In longer runs, negative span rates may stabilize or decrease over time, indicating that effective skew evolves due to relative clock drift between nodes. Experiments were conducted using Kafka and ZeroMQ transports, with consistent results across both. Aeron is under active exploration but is not yet included in the completed validation set. These findings suggest that observability correctness depends not only on system functionality but also on precise time alignment, and that timing must be treated as a first-class concern in distributed AI systems.