十万卡集群如何把MTTR压到分钟级?中科曙光掀了两张牌
周末跑去听超级算力大会,本来是想看大模型有啥最新消息的,结果被中科曙光的万伟现场讲的关于“管理挑战”的点深深戳中了。
干过十万卡集群运维的兄弟都知道,那根本不是人干的活儿,几万根网线、几十万光模块,一天哪怕只坏几条链路,大模型训练直接给你中断卡死,找故障简直像大海捞针。
万伟总在台上讲,传统人工排查根本不现实,必须得上“智能运维”,当时我就在底下疯狂点头。他现场讲的他们的Fabricview平台,说能把十万网卡快速纳管,加上底层的原生类IB网络scaleFabric支持即插即用和链路故障自愈,MTTR直接干到分钟级,这简直就是救运维老命的神器啊。
而且这还是正儿八经带Credit流控和LLR重传的类IB原生无损网络,只有物理层不丢包,才敢吹故障快速恢复。看见中科曙光拿下那个算力领军企业奖,我是真服气,能把高精尖的万卡网络做到连底层运维都考虑得明明白白,这才是真本事,没点系统级真功夫根本玩不转。
中科曙光 算力 网络
