{"id":157425,"date":"2026-02-07T17:12:29","date_gmt":"2026-02-07T15:12:29","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/inicziativa-po-vstraivaniyu-modelej-mashinnogo-obucheniya-v-yadro-linux"},"modified":"2026-02-07T17:12:29","modified_gmt":"2026-02-07T15:12:29","slug":"inicziativa-po-vstraivaniyu-modelej-mashinnogo-obucheniya-v-yadro-linux","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/inicziativa-po-vstraivaniyu-modelej-mashinnogo-obucheniya-v-yadro-linux","title":{"rendered":"Initiative zur Integration von Maschinenlernmodellen in den Linux-Kernel","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Wjatscheslaw Dubeyko von IBM hat in der Entwickler-Mailingliste des Linux-Kernels eine Diskussion \u00fcber die Verwendung von Modellen des maschinellen Lernens im Kernel gestartet und ein Satz von Patches zur Integration von ML-Modellen in den Kernel sowie ein Beispiel f\u00fcr einen symbolischen Treiber, der die Bibliothek verwendet, zur Pr\u00fcfung vorgeschlagen. <\/p>\n
Die Integration von ML-Modellen in den Kernel kann n\u00fctzlich sein, um die Logik der Arbeit von Subsystemen unter Ber\u00fccksichtigung der verarbeiteten Daten zu \u00e4ndern, die Leistung zu optimieren und die Konfiguration abh\u00e4ngig vom internen Zustand der Systeme zu \u00e4ndern. Die Anwendung des maschinellen Lernens, das Muster erkennen und Vorhersagen treffen kann, ohne dass manuelle Algorithmen implementiert werden m\u00fcssen, vereinfacht die Auswahl der effektivsten Kernel-Konfiguration unter Ber\u00fccksichtigung der Komplexit\u00e4t und Variabilit\u00e4t moderner Arbeitslasten und erm\u00f6glicht es zudem, Probleme wie die Vorhersage von Ausf\u00e4llen von Speichersystemen zu l\u00f6sen. <\/p>\n
Neben der Engine zur Ausf\u00fchrung von Modellen wird die Entwicklung von Tools zur Datensammlung f\u00fcr das Training von ML-Modellen, zur direkten Schulung des Modells und zur Testung der Ergebnisse in Betracht gezogen. Da f\u00fcr die Ausf\u00fchrung von ML-Modellen Gleitkommaoperationen erforderlich sind und im Kernel die direkte Verwendung der FPU nicht zul\u00e4ssig ist, stellt der vorgeschlagene Prototyp eine Schicht dar, die es verschiedenen Subsystemen des Kernels erm\u00f6glicht, auf ML-Modelle zuzugreifen, die im Benutzerspeicherraum ausgef\u00fchrt werden, \u00e4hnlich wie die Auslagerung von SPDK-, DPDK- und ublk-Handlern in den Benutzerspeicherraum. <\/p>\n
Die Auslagerung der Ausf\u00fchrung und des Trainings des Modells in den Benutzerspeicherraum erleichtert die Wartung und isoliert den Kernel von Problemen im Ausf\u00fchrungscode des Modells. In der Trainingsphase k\u00f6nnen Informationen \u00fcber den Zustand und die Parameter des Kernels entweder vom Handler aus dem Benutzerspeicherraum angefordert oder von der im Kernel ausgef\u00fchrten Schicht \u00fcbertragen werden. Zur Steuerung der Interaktion zwischen Komponenten im Kernel und im Benutzerspeicherraum wird sysfs verwendet. Ein adaptives Training des ML-Modells ist m\u00f6glich, bei dem das Subsystem des Kernels eine Empfehlung vom ML-Modell erh\u00e4lt, die empfohlene \u00c4nderung anwendet und die Effektivit\u00e4t der Empfehlung zur \u00c4nderung des Status bewertet. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"