[論文レビュー] Machine Learning (ML) library in Linux kernel

Viacheslav Dubeyko|arXiv (Cornell University)|Mar 2, 2026

Advanced Data Storage Technologies被引用数 0

ひとこと要約

この論文は、ユーザ空間のMLモデルとカーネル空間のMLモデルプロキシを介して、カーネル内でのML使用を可能にする generalizeML インフラを提案する PoC を実装して実現性を示す構造を提案します。アーキテクチャ、相互作用モード、将来の ML でのカーネル最適化のための課題を論じます。

ABSTRACT

Linux kernel is a huge code base with enormous number of subsystems and possible configuration options that results in unmanageable complexity of elaborating an efficient configuration. Machine Learning (ML) is approach/area of learning from data, finding patterns, and making predictions without implementing algorithms by developers that can introduce a self-evolving capability in Linux kernel. However, introduction of ML approaches in Linux kernel is not easy way because there is no direct use of floating-point operations (FPU) in kernel space and, potentially, ML models can be a reason of significant performance degradation in Linux kernel. Paper suggests the ML infrastructure architecture in Linux kernel that can solve the declared problem and introduce of employing ML models in kernel space. Suggested approach of kernel ML library has been implemented as Proof Of Concept (PoC) project with the goal to demonstrate feasibility of the suggestion and to design the interface of interaction the kernel-space ML model proxy and the ML model user-space thread.

研究の動機と目的

• ML を用いた自己進化する Linux カーネル設定とサブシステムの必要性を動機づける。
• カーネル空間とユーザー空間の ML モデル間の相互作用を可能にする一般化された ML インフラを定義する。
• PoC 実装を通じて実現可能性を示し、カーネル内の ML モデルプロキシのインターフェースを概説する。

提案手法

• ML モデルプロキシの作成・開始/停止・データ交換・カーネル空間での推奨適用のインターフェースを提供するカーネル ML ライブラリアーキテクチャを提案する。
• FPUs と Python の活用のために ML モデルをユーザー空間で実行することを推奨し、カーネル空間にはカーネルサブシステムと対話するプロキシを置く。
• sysfs、FUSE、またはキャラクタデバイスを用いたデータ転送で、カーネル空間からユーザー空間へのデータ収集・前処理フローを説明する。
• 緊急時、学習、協調、推奨というカーネル ML プロキシの相互作用モードを導入し、モデルの訂正のためのバックプロパゲーションを含む。

実験結果

リサーチクエスチョン

• RQ1 性能を損なうことなく Linux カーネルに ML モデルを効果的に統合するにはどうすればよいか。
• RQ2 ユーザー空間 ML モデルと協調するカーネル空間 ML モデルプロキシの実現可能なアーキテクチャは何か。
• RQ3 反復学習と推論を可能にする相互作用モードとデータ経路は何か。
• RQ4 PoC は ML 主導のサブシステム構成と統合カーネルロジックの実用性を示せるか。
• RQ5 今後の課題として、ML ベースの GC（複数ファイルシステム）や ML ベースの DAMON 拡張が現実の有効性を test できるか。

主な発見

• 一般化されたカーネル ML ライブラリアーキテクチャは、カーネル空間のプロキシを介してカーネルサブシステムとユーザー空間MLモデルを相互接続できる。
• データ交換のために sysfs、FUSE、キャラクタデバイスのようなインターフェースを用いて、FPUs を活用したユーザー空間での ML モデル実行が推奨される。
• 緊急時・学習・協調・推奨という複数の相互作用モードを提案し、カーネルサブシステムにおける ML 主導の変更と安全性を管理する。
• PoC 実装は実現可能性を示し、カーネル空間プロキシとユーザー空間MLスレッド間のインターフェース設計の青写真を提供する。
• 将来の課題は、複数ファイルシステムの ML 基盤 GC および実世界での有効性を検証する ML ベース DAMON 拡張を対象とする。