بهینه سازی خودکار تداخل منابع در هسته سیستم عامل با استفاده از یادگیری ماشین

تداخل منابع در هسته سیستم عامل یکی از عوامل اصلی افت کارایی سیستم های مدرن است که در اثر رقابت هم زمان پردازه و رشته ها بر سر منابع مشترکی مانند قفل ها و صف های ورودی و خروجی خطوط کش و وقفه ها ایجاد می شود. در این پژوهش یک چارچوب هوشمند برای پیش بینی و کاهش خودکار منابع در هسته سیستم عامل لینوکس با استفاده از روش های سبک یادگیری ماشین ارایه شده است. در روش پیشنهادی داده های رفتاری هسته شامل زمان انتظار قفل ها عمق صف های ورودی و خروجی نرخ جابجایی کش و تعداد کانتکست سوییچ ها با استفاده از ابزار های پایش سطح هسته جمع آوری شده و ویژگی های مناسب در پنجره های زمانی کوتاه استخراج می شوند. سپس یک مدل پیش بینی کم سربار احتمال و شدت وقوع تداخل منابع را در بازه زمانی آینده برآورد کرده و در صورت تشخیص تداخل سیاست های اصلاحی پویا در زمان اجرا اعمال می گردند. ارزیابی چارچوب پیشنهادی با استفاده از بارکاری های شبیه سازی شده نشان می دهد که این روش منجر به کاهش معنادار تاخیر کاهش زمان انتظار قفل ها بهبود نرخ پردازش و کاهش نرخ خطای کش در مقایسه با هسته پیش فرض می شود. نتایج حاصل بیانگر اثر بخشی رویکرد مبتنی بر یادگیری ماشین در مدیریت هوشمند تداخل منابع و بهبود کارایی کلی سیستم عامل هستند.

کلیدواژه ها:

Kernel Optimization ، Resource Contention ، Machine Learning ، eBPF ، Spinlock ، Lock Prediction ، Latency Reduction ، Throughput Improvement