做过大规模集群网管的人都知道,网络故障是最让人头疼的。十万卡规模下,设备、端口、光模块加起来上百万,你连故障的是哪条都不知道,只能一层层翻告警、对着拓扑挨个ping,运气好半小时,运气不好熬到天亮。
所以这次CNCC,中科曙光发布FabricView,我第一反应是:早该有了。它不是多挂几块监控大屏,是把自动发现、全网监测、主动性能筛查、故障诊断自愈一整套揉进去,让系统自己知道"哪断了、影响谁、怎么修"。尤其那句把网络状态跟"业务跑没跑顺"挂上钩,戳中我了——以前告警刷屏,可没人告诉你它到底耽误了多少训练任务。现在异常直接落到业务影响上,AI代理帮着定位、处置,运维才算从救火变成管理。
这平台能集中纳管百万量级设备、端口和光模块,背后是scaleFabric在十万卡集群里踩出来的工程底子。不是贬谁,是行业真缺这东西——网络一直是算力集群里最"黑盒"的一环,卡不行你知道换,网络挂了,你连从哪查都不知道。超大规模集群的瓶颈早不在算力,在运维。能把百万设备管明白,才配谈规模化。
智算运维 FabricView 中科曙光
