ПОСТРОЕНИЯ ИНТЕРПРЕТИРУЕМЫХ МОДЕЛЕЙ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ПРЕДИКТИВНОЙ ПРЕФЕТЧИНГ-ОПТИМИЗАЦИИ В ПОДСИСТЕМАХ ВВОДА-ВЫВОДА ОПЕРАЦИОННЫХ СИСТЕМ

Аннотация

В представленном фундаментальном научном труде осуществляется всесторонний теоретический и практический анализ интеграции интеллектуальных подсистем предиктивного подкачивания и кэширования данных в подсистемы ввода-вывода современных операционных систем. Рассматривается актуальная проблема сглаживания высокой задержки при обращении к энергонезависимым носителям информации и распределенным хранилищам данных в условиях нестационарного и труднопредсказуемого профиля запросов. Авторами разработана оригинальная методологическая концепция гибридного препетчера на базе нейросетевых моделей глубокого обучения, способного анализировать многомерные временные ряды системных вызовов и прогнозировать будущие обращения к блочным устройствам. Ключевой акцент исследования сделан на преодолении проблемы «черного ящика» с помощью адаптивных методов объяснимого искусственного интеллекта. В работе детально описаны механизмы локальной интерпретации решений модели в режиме реального времени, проанализировано влияние накладных расходов на вычисление вкладов признаков и доказана высокая эффективность предотвращения ложного подкачивания данных с сохранением стабильности работы дисковой подсистемы.