論文の概要: IOSage: Detecting HPC I/O Bottleneck Patterns to Guide LLM Recommendations

• arxiv url: http://arxiv.org/abs/2610.36370v1
• Date: Mon, 26 Oct 2026 22:35:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.444829
• Title: IOSage: Detecting HPC I/O Bottleneck Patterns to Guide LLM Recommendations
• Title（参考訳）: IOSage: LLM勧告をガイドするためにHPC I/O Bottleneckパターンを検出する
• Abstract要約: ルールベースのツールは、IONやIOAgentといった専門家が設定したしきい値に対してフラグを立てる。 我々は,LSMではなくラベル付きログで訓練された分類器が決定するIOSageを提案する。 IOSageの名前の変更により、オープンPMDカーネルでは中央値の4.38倍、時間毎のWRF再起動では1.42倍が高速化された。
• 参考スコア（独自算出の注目度）: 7.374814907745457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: HPC applications often leave much of their parallel file system's bandwidth unused, and turning their Darshan logs into concrete I/O fixes still requires a scarce I/O expert. Rule-based tools flag counters against thresholds set by experts, and in tools built on large language models (LLMs), such as ION and IOAgent, the LLM decides which bottlenecks a log contains. We present IOSage, in which a classifier trained on many labeled logs, not the LLM, makes that decision, since a single log gives an LLM no baseline for what is abnormal. The LLM receives the I/O bottleneck patterns the classifier detects, the job's configuration files, per-file Darshan evidence, and for each pattern a card built from benchmark training runs, and writes recommended changes. Applied by hand and measured in repeated paired runs, the changes IOSage names speed up median total wall time 4.38x for an openPMD kernel (4.02x on a second storage tier) and 1.42x for hourly WRF restarts. For 5 of the 6 application scenarios with a helpful change, IOSage with Claude Sonnet 4 names it, including the change for 10-minute WRF restarts (up to 1.93x faster); with GPT-4o and Llama 3.1 as well, the classifier and cards name more helpful changes than the LLM alone. On 78 benchmark test runs without a pattern, the LLM deciding alone proposes changes for 64; with the classifier, for 9. The classifier reaches 0.929 Micro-F1 on 488 labeled benchmark test runs (0.916 as the gate; 0.832 on the 158 from configurations and jobs outside training), above Drishti's rules, WisIO, and IOAgent's pipeline without its literature retrieval. On TraceBench's nine expert-labeled traces from production systems, it has the highest precision of the tools compared (0.82), with 2 false positives against 12 for the keyword-mapped LLM diagnoses shipped with TraceBench and 5 for Drishti, on the five issue labels that match registered patterns.
• Abstract（参考訳）: HPCアプリケーションは、多くの並列ファイルシステムの帯域幅を未使用のまま残し、ダーシャンログを具体的なI/O修正に変換するには、依然として少ないI/O専門家が必要である。 ルールベースのツールは専門家が設定したしきい値に対抗し、IONやIOAgentといった大きな言語モデル(LLM)上に構築されたツールでは、ログにどのボトルネックがあるかを決定する。 IOSage は LLM ではなくラベル付きログで訓練された分類器でその決定を行うが、これは単一のログが LLM に異常な基準線を与えないためである。 LLMは、分類器が検出するI/Oボトルネックパターン、ジョブの設定ファイル、ファイルごとのDarshanエビデンス、およびベンチマークトレーニングから構築されたカードの各パターンを受信し、推奨変更を書き込む。 手動で適用し、繰り返しペアランで測定すると、変更IOSage名は、オープンPMDカーネル(第2ストレージ層では4.02倍)の中央壁時間4.38倍、時間ごとのWRF再起動は1.42倍となる。 有効な変更を含む6つのアプリケーションシナリオのうち、IOSage with Claude Sonnet 4は10分間のWRF再起動(最大1.93倍高速)、GPT-4oとLlama 3.1では分類器とカード名もLLM単独よりも便利な変更である。 78のベンチマークテストでは、パターンなしで実行される。 分類器は、488のラベル付きベンチマークテストランで0.929 Micro-F1に達し(ゲートは0.916、トレーニング外の設定とジョブは0.832)、文献検索なしでDrishtiのルール、WisIO、IOAgentのパイプラインを上回った。 TraceBenchの9つの専門家ラベル付きトレースでは、ツールの比較(0.82)が最も正確であり、TraceBenchで出荷されたキーワードマップされたLLM診断では2つの偽陽性が、登録されたパターンにマッチする5つのイシューラベルでは5つあった。

関連論文リスト

• EGI-BENCH: An Enterprise General Intelligence Benchmark Suite [49.949941814209076]
  EGI-BENCHは8つのエンタープライズエージェントベンチマークを統合した統合されたエージェントベンチマークスイートである。 スイートの上に6次元フレームワーク(M1-M6)であるEnterprise General Intelligence (EGI) Scoreを定義します。 このスイート,サブメトリックルーティング,およびクイック/ディープ予算について述べるとともに,14のフロンティアとコスト効率のLLMについて報告する。
  論文  参考訳（メタデータ） (2026-10-19T20:02:07Z)
• PhaseGate: Phase-Aware CPU Retrieval Scheduling for On-Device LLMs on Unified Memory [9.879616004828465]
  PHASEGATEはプリフィルとデコードのための制限を校正し、ベースM4設定で4つと1つを選択する。 TimeGateも同様のスループットを実現するが、実行毎に出力ログのレイテンシ制限に違反する。 M2 と M2 Pro Mac のミニはポリシーの順序を再現するが、出力長のスイープはデコードによって各要求に占めるアドバンテージが狭まることを示している。
  論文  参考訳（メタデータ） (2026-10-03T14:07:04Z)
• Task-Aware Spectral Pruning: A Mixture-of-Masks Framework for Efficient LLM Inference [6.324418485299426]
  静的プルーニングは全てのプロンプトに1つのスパース構造を課す。 Task-Aware Spectral Pruning (TASP)は、測定されたタスク固有のアブレーション効果に対してモジュールレベルのスペクトル記述子を校正する。
  論文  参考訳（メタデータ） (2026-08-24T14:24:05Z)
• Structured Testbench Generation for LLM-Driven HDL Design and Verification-Oriented Data Curation [1.5686209550078525]
  本稿では,ハードウェア設計の固有構造を利用して決定論的テストベンチを生成するフレームワークSTGを提案する。 直接検証ツールとして、STGは反復LDMベースのテストベンチ生成フローよりも720倍高速で動作する。 データエンジンとしては、単一のCPUコア上でのLLMベースのフィルタリングよりも11倍高速で、エネルギーは117倍少ない。
  論文  参考訳（メタデータ） (2026-06-11T07:19:41Z)
• An Execution-Verified Multi-Language Benchmark for Code Semantic Reasoning [10.815335026032377]
  TraceEvalは、コードセマンティック推論のための最初の実行検証されたマルチ言語ベンチマークである。 TraceEvalは、Python、JavaScript、Javaにまたがる1,600以上のオープンソースリポジトリから抽出された10,583の現実世界プログラムで構成されている。 最も強いClaude-Opus-4.6は、3つの言語で平均72.9%のF1に達する。
  論文  参考訳（メタデータ） (2026-05-10T07:17:00Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• ToolScan: A Benchmark for Characterizing Errors in Tool-Use LLMs [77.79172008184415]
  TOOLSCANは、ツール使用タスクのLLM出力におけるエラーパターンを特定するための新しいベンチマークである。 もっとも顕著なLCMでも,これらの誤りパターンが出力に現れることを示す。 研究者たちは、TOOLSCANのこれらの洞察を使って、エラー軽減戦略をガイドすることができる。
  論文  参考訳（メタデータ） (2024-11-20T18:56:22Z)
• DISTFLASHATTN: Distributed Memory-efficient Attention for Long-context LLMs Training [82.06732962485754]
  FlashAttentionは、1つのGPU上でのトレーニングトランスフォーマーベースの大規模言語モデル(LLM)において、2次ピークメモリの使用を線形に削減する。 本研究では,長期LLM学習に最適化されたメモリ効率の高い注意機構であるDisTFLASHATTNを紹介する。 最近のRing AttentionやDeepSpeed-Ulyssesと比較して、1.67xと1.26 - 1.88xのスピードアップを実現している。
  論文  参考訳（メタデータ） (2023-10-05T03:47:57Z)
• LLMs as Factual Reasoners: Insights from Existing Benchmarks and Beyond [135.8013388183257]
  そこで我々は,SummEditsと呼ばれる10ドメインのベンチマークで不整合検出ベンチマークを作成し,実装する新しいプロトコルを提案する。 ほとんどのLLMはSummEditsで苦労しており、パフォーマンスはランダムに近い。 最も優れたモデルであるGPT-4は、推定された人間のパフォーマンスよりも8%低い。
  論文  参考訳（メタデータ） (2023-05-23T21:50:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。