يوفر Linux للمطورين والمهندسين طريقة "لضبط" عملياته، حيث يوفر آلاف المعلمات الفردية التي يمكنها ضبط الطريقة التي تدير بها النواة مفتوحة المصدر الموارد. يمكن لهذا النوع من الضبط تحسين الأداء بسرعة أكبر دون إعادة ترجمة النواة، لكنها لا تزال مهمة صعبة، حتى بالنسبة لمبرمجي البرمجيات الحرة والمفتوحة المصدر (FOSS) الأكثر مهارة.
يعد ضبط النواة مهمة صعبة للغاية، لذلك هناك محاولات لاستخدام الذكاء الاصطناعي للتعامل مع هذه المهمة بدلاً من المطورين البشريين. أعلنت شركة التكنولوجيا الصينية ByteDance مؤخرًا عن نتائج اختبار الضبط التلقائي لنواة Linux، وهو حل قائم على الذكاء الاصطناعي يحرر المهندسين البشريين لاتخاذ قرارات ضبط أفضل من خلال تحليل البيانات التاريخية - وهي مهمة عادة ما يجدها البشر صعبة.
يعد تحقيق أداء Linux الأمثل من خلال الضبط عملية تستغرق وقتًا طويلاً وتتطلب تجارب مكثفة بواسطة خبراء Linux. تتطلب أحمال العمل المختلفة أساليب ضبط مختلفة لمجموعات مختلفة من معلمات kernel. ذكر مطور ByteDance Cong Wang أن ضبط نواة Linux يدويًا لـ "مئات" من أعباء العمل المختلفة يكاد يكون مستحيلًا في مراكز البيانات واسعة النطاق مثل تلك التي تستخدمها الشركة.
على الرغم من وجود أدوات مصممة لتبسيط ضبط النواة، إلا أنها توفر نوعًا محددًا من التحسين. يهدف نهج ByteDance إلى إطلاق أول حل آلي في مجال ضبط kernel - وهي تقنية يمكنها تغطية جميع معلمات ضبط Linux بأقل قدر من الاستثمار الهندسي.
يولي فريق وانغ اهتمامًا خاصًا بتحسين نظام إدارة الذاكرة في Linux. من خلال استخدام خوارزميات التعلم الآلي مثل التحسين Bayesian، وجدت الشركة أن ضبط المعلمات الآلي يمكن أن يحقق نتائج أفضل مما يحققه عادة معظم مهندسي نواة Linux.
تم تصميم أداة الضبط التلقائي الخاصة بـ ByteDance لضبط إعدادات Linux الداخلية تلقائيًا بناءً على أعباء العمل وتكوينات الأجهزة المحددة. يتم ضبط النوى ديناميكيًا لضمان الأداء الأمثل في كل موقف، مما يحل الحاجة الطويلة الأمد لضبط النوى يدويًا لكل مثيل حسابي.
في معظم الحالات، بدا أن التعديلات التلقائية المبنية على الذكاء الاصطناعي التي أجراها وانغ وزملاؤه كانت فعالة. وفقًا لـ ByteDance، يمكن لخوارزميات التعلم الآلي تحسين النظام ديناميكيًا من خلال مراقبة الأداء الأساسي في الوقت الفعلي وتحسين الكفاءة من خلال تحسين استخدام الموارد. يتمتع نظام الذكاء الاصطناعي أيضًا بواجهة سهلة الاستخدام، مما يسمح للمستخدمين ذوي المعرفة التقنية المحدودة بالاستفادة من نواة أكثر قابلية للاستخدام. وفي الوقت نفسه، يمكن للمستخدمين المتقدمين تخصيص معلمات الضبط التلقائي.
تدعي ByteDance أن خوارزميات التعلم الآلي يمكنها تقليل استخدام ذاكرة التطبيق بنسبة 30% أو تحسين زمن استجابة شبكة HTTP على خوادم NGINX، مما يؤدي إلى تحسين أداء الشبكة بنسبة 12% مقارنة بالتعديلات اليدوية. في سيناريوهات الحوسبة السحابية ومركز البيانات، يمكن أن تؤدي هذه التحسينات إلى توفير كبير في التكاليف وتحسين الأداء. يعترف المطورون بأن الضبط التلقائي للنواة من خلال التعلم الآلي لن ينجح في كل الحالات، لكنهم يتوقعون أن يصبح ضروريًا بشكل متزايد.
قم بزيارة الوثائق لمعرفة المزيد:
https://lpc.events/event/17/contributions/1520/attachments/1152/2582/Linux%20Kernel%20Autotuning.pdf