机心卷 · 世界补丁日志
IOSage: Detecting HPC I/O Bottleneck Patterns to Guide LLM Recommendations
1. 一句话总结 IOSage将HPC的Darshan日志瓶颈识别交给监督分类器,再让LLM基于检测结果、模式卡和作业配置生成优化建议,并通过实际运行时间验证建议效果。 ###…
标题
大模型建议不再靠猜,先分类再给修改方案
🧩 先说人话:这项研究解决超算和大型服务器“读写数据太慢”的问题。IOSage先分析记录文件读写情况的Darshan日志,判断瓶颈类型,再让大模型给建议。反常识点是:大模型不用同时负责“找问题”和“改问题”。
📌 怎么做?团队给每类文件读写瓶颈训练专属分类器,也就是只负责认问题的小模型。测试中,它对已知模式的综合准确度指标Micro-F1为0.929,面对没见过的配置和任务仍有0.832,说明判断能迁移,但仍要人工复核。
🤖 大模型拿到识别结果、典型性能指标范围、修改模板和作业配置,建议因此能落到具体文件与参数。在78次确认没有瓶颈的测试里,纯大模型有64次仍建议修改;接入分类器后只剩9次。
⏱️ 它不把“看起来合理”当验收,而是实际修改配置、重复运行,再看总耗时。在openPMD和WRF两个测试场景中,总耗时的中位改善最高分别达到4.38倍和1.93倍。对普通人的启发是:AI帮你调电脑、备份照片或加速软件时,也该先检测、再执行、最后测效果,而非凭感觉乱改。
💬 你更希望AI直接给答案,还是先告诉你依据,再验证效果?
标签
#IOSage #大模型应用 #AI日志分析 #高性能计算 #并行文件系统 #系统性能优化 #AIOps #存储优化 #人工智能
原文来源
- https://arxiv.org/abs/2610.36370v1
来源类型:arXiv 预印本 · 日期:2026-10-26
边界声明 · 这项研究不能证明什么
本文为一手来源的中文编辑导读,结论的适用范围与证据强度以来源原文为准;不构成医疗、投资或其他决策建议。
AIGC 内容说明
本文由 AI 辅助起草,经今山海编辑部人工核对事实、来源与边界后发布。修订与更正将在本页留痕。