Vjacislav Dubejko az IBM-től elindította a Linux kernel fejlesztői levelezőlistáján a gépi tanulási modellek kernelben való használatáról szóló diskurzust, és javasolt egy tesztelésre szánt patch-készletet, amely tartalmaz egy könyvtárat az ML-modellek kernelbe való integrálásához, valamint egy példát a könyvtárat használó szimbolikus meghajtóra.
Az ML-modellek kernelbe való integrálása hasznos lehet a rendszerekben feldolgozott adatok figyelembevételével a logika megváltoztatásához, a működés optimalizálásához és a konfigurációk módosításához a rendszerek belső állapota alapján. A gépi tanulás alkalmazása, amely képes mintázatokat felfedezni és előrejelzéseket készíteni manualis algoritmusok megvalósítása nélkül, leegyszerűsíti a kernel leghatékonyabb konfigurációjának megtalálását a modern munkaterhelések összetettsége és változékonysága figyelembevételével, és lehetővé teszi olyan problémák megoldását is, mint a tárolórendszerek meghibásodásainak előrejelzése.
A modellek végrehajtásához szükséges motor mellett a ML-modellek képzéséhez szükséges adatgyűjtő eszközök, a modell közvetlen képzése és az eredmények tesztelése is a fejlesztés tárgyát képezi. Mivel a ML-modell végrehajtásához lebegőpontos műveletekre van szükség, és a kernelben a FPU közvetlen használata nem megengedett, a javasolt prototípus egy köztes réteg, amely különböző kernel alrendszerekről a felhasználói térben végrehajtott ML-modellekhez való hozzáférést biztosít, hasonlóan az SPDK, DPDK és ublk felhasználói térbe való kihelyezéséhez.
A modell végrehajtásának és képzésének a felhasználói térbe való áthelyezése megkönnyíti a karbantartást és elszigeteli a kernelt a modell végrehajtási kódjának problémáitól. A képzési szakaszban a kernel állapotára és paramétereire vonatkozó adatokat a felhasználói térből kérheti le a kezelő vagy közvetítheti egy kernel szinten végrehajtott köztes réteg. A kernel és a felhasználói tér közötti interakció kezelésére a sysfs-t alkalmazzák. Lehetséges az ML-modell adaptív képzése, ahol a kernel alrendszere ajánlást kap az ML-modelltől, alkalmazza a javasolt módosítást, és értékeli a módosítási ajánlás hatékonyságát.
Forrás: opennet.ru
