Vyacheslav Dubeyko de IBM inició una discusión en la lista de correo de desarrolladores del núcleo de Linux sobre el uso de modelos de aprendizaje automático en el núcleo, y también propuso una serie de parches para probar una biblioteca que integra modelos de ML en el núcleo y un ejemplo de un controlador simbólico que utiliza la biblioteca.
La integración de modelos de ML en el núcleo puede ser útil para modificar la lógica de operación de las subsistemas considerando los datos procesados, optimizando el rendimiento y ajustando la configuración según el estado interno de los sistemas. La aplicación del aprendizaje automático, capaz de identificar patrones y hacer predicciones sin la implementación manual de algoritmos, simplificará la selección de la configuración más eficiente del núcleo, teniendo en cuenta la complejidad y variabilidad de las cargas de trabajo modernas, y permitirá abordar problemas como la predicción de fallos en los sistemas de almacenamiento.
Además del motor para ejecutar modelos, se considera el desarrollo de herramientas para recopilar datos para entrenar modelos de ML, entrenar directamente del modelo y probar el resultado. Dado que para ejecutar un modelo de ML se requieren operaciones con punto flotante, y el núcleo no permite el uso directo de FPU, el prototipo propuesto actúa como una capa para acceder desde las diferentes subsistemas del núcleo a los modelos de ML, que se ejecutan en el espacio de usuario, similar a los controladores SPDK, DPDK y ublk extraídos al espacio de usuario.
La extracción de la ejecución y el entrenamiento del modelo al espacio de usuario simplifica el mantenimiento y aísla al núcleo de los problemas en el código de ejecución del modelo. En la fase de entrenamiento, los datos sobre el estado y los parámetros del núcleo pueden ser solicitados por el controlador desde el espacio de usuario o ser transmitidos por la capa que se ejecuta a nivel de núcleo. Para gestionar la interacción entre componentes en el núcleo y el espacio de usuario, se utiliza sysfs. Es posible el aprendizaje adaptativo del modelo de ML, donde el subsistema del núcleo recibe recomendaciones del modelo de ML, aplica el cambio recomendado y evalúa la efectividad de la recomendación para modificar el estado.
Fuente: opennet.ru
