{"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\/novosti-interneta\/inicziativa-po-vstraivaniyu-modelej-mashinnogo-obucheniya-v-yadro-linux","title":{"rendered":"Initiative zur Integration von Machine-Learning-Modellen in den Linux-Kernel","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Wjatscheslaw Dubeyko von IBM hat in der Mailingliste der Linux-Kernel-Entwickler eine Diskussion \u00fcber die Verwendung von Modellen des maschinellen Lernens im Kernel angesto\u00dfen und ein Patchset zum Testen vorgeschlagen, das eine Bibliothek zur Integration von ML-Modellen in den Kernel sowie ein Beispiel f\u00fcr einen symbolischen Treiber, der diese Bibliothek nutzt, enth\u00e4lt. <\/p>\n
Die Integration von ML-Modellen in den Kernel kann n\u00fctzlich sein, um die Logik der Arbeitsweise von Subsystemen basierend auf den verarbeiteten Daten zu \u00e4ndern, die Effizienz zu optimieren und die Konfiguration abh\u00e4ngig vom internen Zustand der Systeme anzupassen. Der Einsatz von maschinellem Lernen, das in der Lage ist, Muster zu erkennen und Vorhersagen zu erstellen, ohne manuelle Algorithmen zu implementieren, wird die Auswahl der effektivsten Kernel-Konfiguration in Anbetracht der Komplexit\u00e4t und Variabilit\u00e4t moderner Arbeitslasten vereinfachen und Probleme wie die Vorhersage von Ausf\u00e4llen in Speichersystemen l\u00f6sen helfen. <\/p>\n
Neben der Engine zur Ausf\u00fchrung von Modellen wird auch die Entwicklung von Tools zur Datensammlung f\u00fcr das Training von ML-Modellen, dem eigentlichen Training der Modelle und der Ergebnistestung in Betracht gezogen. Da f\u00fcr die Ausf\u00fchrung von ML-Modellen Gleitkommaoperationen erforderlich sind und im Kernel die direkte Nutzung der FPU nicht zul\u00e4ssig ist, stellt der vorgeschlagene Prototyp eine Schicht dar, die es verschiedenen Kernsubsystemen erm\u00f6glicht, auf in Benutzermodus ausgef\u00fchrte ML-Modelle zuzugreifen, \u00e4hnlich wie bei der Auslagerung von SPDK-, DPDK- und ublk-Handlern in den Benutzermodus. <\/p>\n
Die Auslagerung der Ausf\u00fchrung und des Trainings von Modellen in den Benutzerspeicher vereinfacht die Wartung und isoliert den Kernel von Problemen im Modellcode. In der Trainingsphase k\u00f6nnen die Status- und Parameterdaten des Kernels sowohl vom Handler aus dem Benutzerspeicher angefordert als auch durch eine Schicht, die auf Kernel-Ebene ausgef\u00fchrt wird, \u00fcbertragen werden. Zur Verwaltung der Interaktion zwischen den Komponenten im Kernel und im Benutzerspeicher wird sysfs verwendet. Adaptives Lernen von ML-Modellen ist m\u00f6glich, bei dem die Kernel-Subsysteme eine Empfehlung vom ML-Modell erhalten, die empfohlene \u00c4nderung anwenden und die Effektivit\u00e4t der Empfehlung zur \u00c4nderung des Zustands bewerten. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"