[Paper] KORAL: Knowledge Graph 기반 LLM 추론을 이용한 SSD 운영 분석

Source: arXiv - 2602.10246v1

개요

The paper introduces KORAL, a novel framework that couples Large Language Models (LLMs) with a domain‑specific Knowledge Graph (KG) to reason about Solid‑State Drive (SSD) health and performance. By turning fragmented telemetry and scattered literature into a unified, queryable graph, KORAL lets an LLM produce expert‑level diagnoses, predictions, and prescriptive actions without the massive data‑labeling effort that traditional methods demand.

핵심 기여

• Hybrid LLM + KG architecture가 구조화된 지식을 언어 모델에 주입하여 설명이 SSD 도메인 사실에 기반하도록 보장합니다.
• Automated KG construction은 원시 텔레메트리(데이터 KG)와 기존 기술 문서(문헌 KG)에서 자동으로 KG를 구축하여 비구조화된 로그와 구조화된 추론 사이의 격차를 메웁니다.
• End‑to‑end reasoning pipeline은 SSD에 대한 기술, 예측, 처방, 그리고 “what‑if” 분석을 포괄하는 전체 흐름을 제공하며, 저장 시스템 연구 분야에서 최초의 시도입니다.
• Evidence‑backed outputs: 모든 권고 사항은 KG 노드에 대한 인용과 함께 제공되어 추론 과정을 추적 가능하고 감사 가능하게 만듭니다.
• Open‑source release of the SSD‑specific KG and code, enabling reproducibility and community extensions.

방법론

1. Telemetry Ingestion – 원시 SSD 메트릭(temperature, wear‑level, I/O latency 등)이 프로덕션 서버에서 스트리밍됩니다.
2. Data KG Generation – 가벼운 추출기가 시간‑스탬프된 텔레메트리를 엔터티(예: Device‑A, Temperature)와 관계(예: has‑value, observed‑during)로 매핑합니다.
3. Literature KG Integration – 논문, 벤더 매뉴얼, 장애 보고서를 NLP 파이프라인으로 파싱하고, 핵심 개념(예: read‑disturb, thermal throttling)을 인과 관계 엣지와 연결된 노드로 변환합니다.
4. LLM Prompt Engineering – LLM은 다음을 포함하는 contextual prompt를 받습니다:
   • 자연어 질의(예: “왜 노드 X에서 어제 밤에 latency가 급증했나요?”)
   • 결합된 KG에서 그래프 기반 검색을 통해 추출된 관련 서브‑그래프.
5. Reasoning & Explanation – LLM은 KG 노드를 인용하면서 답변을 생성해, 출력이 사실 데이터에 “grounded”되도록 합니다.
6. Prescriptive Action Generation – 진단된 문제에 대해 시스템은 KG에서 알려진 완화 방안(예: reduce write‑amplification)을 조회하고, LLM은 이를 실행 가능한 단계로 재구성합니다.

이 파이프라인은 모듈식이며, LLM(GPT‑4, LLaMA 등)을 교체하거나 KG를 업데이트해도 전체 시스템을 재설계할 필요가 없습니다.

결과 및 발견

• 정확도 – 200개의 실제 SSD 사고 벤치마크에서 KORAL의 진단은 선임 스토리지 엔지니어와 92 % 일치했으며, 기본 통계 모델(68 %)보다 우수했습니다.
• 설명 가능성 – 생성된 보고서의 87 %에 최소 하나의 KG 인용이 포함되었으며, 운영자는 사용자 연구에서 설명을 “명확하고 신뢰할 수 있다”고 평가했습니다(평균 리커트 점수 4.6/5).
• 속도 – 엔드‑투‑엔드 쿼리 지연 시간이 평균 1.8 초로, 거의 실시간 트러블슈팅을 가능하게 했습니다.
• 수동 작업 감소 – 운영자는 로그 수집 및 문서 교차 참조에 소요되는 시간이 45 % 감소했다고 보고했습니다.
• 가상 시나리오 – 온도 급증을 시뮬레이션한 결과, KORAL은 2 시간 이내에 오류율이 15 % 증가할 것을 예측할 수 있어 사전 제한 조치를 가능하게 했습니다.

Practical Implications

• Ops Teams can embed KORAL into monitoring dashboards to receive instant, evidence‑backed alerts instead of raw metric spikes.
• Capacity Planning tools can query the KG for long‑term wear trends, enabling more accurate SSD replacement schedules.
• Vendor Integration – Manufacturers can feed firmware release notes into the Literature KG, allowing the system to automatically suggest firmware upgrades when relevant symptoms appear.
• Developer APIs – The open‑source repo includes a REST interface; developers can programmatically ask “What mitigation reduces read‑disturb for this workload?” and receive a concise, cited answer.
• Cross‑Domain Extension – The same KG‑LLM pattern can be applied to other hardware components (e.g., HDDs, GPUs) or even to cloud service health diagnostics.

제한 사항 및 향후 작업

• KG 완전성 – 추론 품질은 문헌 KG의 범위에 의존한다; 원본 문서에 포착되지 않은 드문 실패 모드는 놓칠 수 있다.
• LLM 환각 위험 – KG 기반 정착이 환각을 감소시키긴 하지만, KG에 직접적인 답변이 없을 때 LLM은 여전히 그럴듯하지만 잘못된 진술을 생성할 수 있다.
• KG 업데이트의 확장성 – 새로운 텔레메트리와 문헌을 지속적으로 수집하려면 그래프 드리프트를 방지하기 위한 자동 검증 파이프라인이 필요하다.
• 평가 범위 – 실험은 단일 데이터센터 환경에서 수행되었으며, 이기종 SSD 모델 및 워크로드에 대한 보다 광범위한 검증이 필요하다.
• 향후 방향 – 저자들은 (1) 운영자 피드백이 KG 엣지를 정제하는 활성 학습 루프를 통합하고, (2) KG를 직접 질의하는 검색‑증강 생성(RAG) 모델을 탐색하며, (3) 프레임워크를 다중 구성 요소 시스템 진단(예: 스토리지‑네트워크‑컴퓨트 공동 분석)으로 확장할 계획이다.

저자

• Mayur Akewar
• Sandeep Madireddy
• Dongsheng Luo
• Janki Bhimani

논문 정보

• arXiv ID: 2602.10246v1
• 분류: cs.DC, cs.AI
• 발행일: 2026년 2월 10일
• PDF: PDF 다운로드