N-995

网络适配

智算中心

DLB逐包逐流混合调度

如何配置DLB实现逐包和逐流混合调度，兼顾大流与小流

负载均衡·DLB Hybrid

Step1: 逐包调度（packet-by-packet）适合小流，逐流调度（flow-by-flow）适合大流。Step2: 混合调度：小流使用逐包，大流使用逐流。Step3: 要求小流时延<100μs，大流吞吐不降。Step4: 数学表达式：Schedule_mode={packet,flow,​flow_size<100KBflow_size≥100KB​。Step5: 配置：load-balance hybrid。Step6: 验证：SA分析器查看各流调度模式。Step7: 推荐：在Spine和Leaf启用。

小流<100KB逐包；大流≥100KB逐流

DLB、Hybrid Scheduling、Flow Size

软：SA分析器；硬：RoCE交换机；部署：全网启用

N-996

网络适配

智算中心

大小流自适应调度触发阈值

如何配置大小流自适应调度的触发阈值，避免频繁切换

QoS·Adaptive Trigger

Step1: 当小流队列丢包率>1e-6时触发自适应调整。Step2: 调整后若大流吞吐下降>5%，则回退。Step3: 要求调整频率<1次/分钟。Step4: 数学表达式：Trigger=(drop_ratesmall​>1e−6)∧(throughputlarge​≥0.95×baseline)。Step5: 配置：qos mice-elephant-flow agile-buffer drop-threshold 1e-6。Step6: 监控：SA分析器记录调整事件。Step7: 推荐：设置合适的丢包率阈值。

丢包率阈值1e-6；大流吞吐下降<5%

Adaptive Trigger、Drop Threshold

软：SA分析器；硬：RoCE交换机；部署：Leaf出口

N-997

网络适配

智算中心

大小流自适应调度缓存比例

如何配置大小流自适应调度的缓存比例，平衡公平性

QoS·Buffer Ratio

Step1: 初始缓存比例：小流队列50%，大流队列50%。Step2: 自适应调整时，小流队列可占用最多80%，大流最少20%。Step3: 要求小流丢包率<1e-7。Step4: 数学表达式：Bsmall_max​=0.8×Btotal​，Blarge_min​=0.2×Btotal​。Step5: 配置：qos mice-elephant-flow agile-buffer ratio 80 20。Step6: 验证：监控各队列丢包率。Step7: 推荐：根据实际流量调整。

小流最大80%；大流最小20%

Buffer Ratio、Fairness、Agile Buffer

软：交换机配置；硬：RoCE交换机；部署：Leaf出口

N-998

网络适配

智算中心

光模块健康度评估模型输入窗口

如何选择光模块DDM数据的时间窗口长度，平衡预测精度和时效性

预测·Window Length

Step1: 输入窗口长度W，预测未来P分钟。Step2: 窗口越长，捕捉趋势越准，但计算延迟越大。Step3: 要求预测精度>85%，推理延迟<100ms。Step4: 数学表达式：Accuracy(W)=f(W)，经验值W=60分钟。Step5: 若W=60，精度88%；W=30，精度82%。Step6: 配置：SA分析器中设置窗口长度。Step7: 推荐：W=60分钟，P=30分钟。

W=60分钟；P=30分钟；精度88%

Time Window、Prediction Accuracy

软：SA分析器；硬：光模块；部署：模型配置

N-999

网络适配

智算中心

光模块健康度评估模型更新频率

如何设计光模块预测模型的更新频率，适应硬件老化

预测·Model Update

Step1: 光模块老化导致参数漂移，模型需定期更新。Step2: 每周增量更新一次，每月全量重训练。Step3: 要求模型F1分数不随时间下降。Step4: 数学表达式：F1weekly​≥0.95×F1initial​。Step5: 若初始F1=0.85，则每周F1应≥0.8075。Step6: 配置：SA分析器定时任务。Step7: 推荐：自动触发更新。

每周增量；每月全量；F1下降<5%

Model Update、Concept Drift

软：SA分析器；硬：无；部署：定时任务

N-1000

网络适配

智算中心

空泡率监控采样间隔

如何选择空泡率采样的时间间隔，平衡精度和开销

监控·Sampling Interval

Step1: 空泡率采样间隔Tsample​，每步采样一次。Step2: 间隔越小，精度越高，但开销越大。Step3: 要求采样开销<0.1%训练时间。Step4: 数学表达式：Overhead=Tstep​Tsample_cost​​。Step5: 若每步耗时100ms，采样耗时0.1ms，则开销0.1%。Step6: 配置：NCCL_DEBUG=INFO每步输出。Step7: 推荐：每步采样。

每步采样；开销<0.1%

Sampling Interval、Overhead

软：NCCL、SA Agent；硬：GPU；部署：训练配置

N-1001

网络适配

智算中心

空泡率监控告警阈值

如何设置空泡率告警阈值，指导调优

监控·Bubble Alert

Step1: 空泡率>20%时告警，提示网络或并行策略问题。Step2: 空泡率>50%时严重告警。Step3: 要求告警准确率>90%。Step4: 数学表达式：Alert={warning,critical,​20%<Bubble≤50%Bubble>50%​。Step5: 配置：SA分析器中设置阈值。Step6: 推荐：结合MFU综合评估。Step7: 验证：人工确认告警有效性。

Warning>20%；Critical>50%

Bubble Alert、Threshold

软：SA分析器；硬：无；部署：监控规则

N-1002

网络适配

智算中心

文本预训练数据处理清洗算子

如何配置数据清洗算子，过滤低质量文本

数据·Cleaning

Step1: 清洗规则：去除HTML标签、特殊字符、过长/过短文本。Step2: 文本长度范围[100, 10000]字符。Step3: 要求清洗后数据质量提升>30%。Step4: 数学表达式：Clean=remove_html(text)∧filter_length(text,100,10000)。Step5: 配置：绿洲平台选择清洗算子。Step6: 推荐：内置50+算子。Step7: 验证：抽样人工审核。

长度100-10000；质量提升>30%

Data Cleaning、Filtering

软：绿洲平台；硬：无；部署：数据处理流程

N-1003

网络适配

智算中心

文本预训练数据处理去重效率

如何评估SimHash去重的效率，平衡精度和速度

数据·Dedup Efficiency

Step1: SimHash处理速度Ssimhash​=10MB/s/core，MinHash速度Sminhash​=5MB/s/core。Step2: 要求去重速度>1TB/h。Step3: 数学表达式：Throughput=Ncores​×S。Step4: 若Ncores​=100，SimHash速度10MB/s，则Throughput=1GB/s=3.6TB/h。Step5: 配置：绿洲平台选择SimHash。Step6: 推荐：SimHash速度快，精度足够。Step7: 验证：比较去重前后数据量。

SimHash 10MB/s/core；3.6TB/h

Deduplication Speed、SimHash

软：绿洲平台；硬：CPU集群；部署：分布式处理

N-1004

网络适配

智算中心

绿洲AI数据集处理-数据质检规则

如何设计数据质检的自动化规则，减少人工审核

数据·Quality Rules

Step1: 质检规则：语言一致性（中文占比>90%）、无乱码、无重复段落。Step2: 不合格数据自动过滤。Step3: 要求质检通过率>95%。Step4: 数学表达式：Pass=(lang_zh_ratio>0.9)∧(charset==utf8)∧(dup_ratio<0.01)。Step5: 配置：绿洲平台设置规则。Step6: 推荐：使用AI模型辅助。Step7: 验证：抽样人工审核。

中文>90%；无乱码；重复<1%

Quality Rules、Automation

软：绿洲平台；硬：无；部署：数据处理流程

N-1005

网络适配

智算中心

绿洲AI数据集处理-数据增强倍数

如何选择数据增强的倍数，平衡数据量和质量

数据·Augmentation Factor

Step1: 增强倍数M，每个样本生成M个增强样本。Step2: M越大，数据量越大，但可能引入噪声。Step3: 要求增强后模型性能提升>5%。Step4: 数学表达式：Mopt​=argmaxM​(Accval​(M)−Accbaseline​)。Step5: 实验表明M=3最佳。Step6: 配置：绿洲平台选择增强倍数。Step7: 推荐：M=3。

M=3；性能提升>5%

Augmentation Factor、Optimization

软：绿洲平台；硬：无；部署：数据处理流程

N-1006

网络适配

智算中心

绿洲AI数据集处理-分段重叠

如何配置文本分段的重叠长度，保持上下文连贯

数据·Chunk Overlap

Step1: 分段时相邻chunk重叠O个token，保持上下文。Step2: 重叠长度建议为chunk大小的10%。Step3: 要求模型理解连贯性。Step4: 数学表达式：Chunki​=text[starti​:endi​]，其中starti+1​=starti​+stride，stride=chunk_size−overlap。Step5: 若chunk_size=512，overlap=50，则stride=462。Step6: 配置：绿洲平台设置重叠长度。Step7: 推荐：overlap=50。

overlap=50 token；stride=462

Chunk Overlap、Context Continuity

软：绿洲平台；硬：无；部署：数据处理流程

N-1007

网络适配

智算中心

批量部署PXE并发数

如何设计PXE部署的并发数，避免DHCP和TFTP过载

部署·PXE Concurrency

Step1: PXE并发数Npxe​，每节点下载速度Sdown​=100MB/s。Step2: TFTP服务器带宽BWtftp​=10Gbps。Step3: 要求不超载。Step4: 数学表达式：Npxe​×Sdown​≤BWtftp​。Step5: 若Sdown​=100MB/s=800Mbps，则Npxe​≤12.5。Step6: 实际推荐并发10节点。Step7: 配置：DHCP服务器设置lease时间。

并发10节点；TFTP不超载

PXE Concurrency、TFTP、DHCP

软：DHCP/TFTP服务器；硬：GPU服务器；部署：部署策略

N-1008

网络适配

智算中心

批量部署OS镜像分发

如何设计OS镜像的分发策略，减少网络压力

部署·Image Distribution

Step1: 使用P2P分发（如BitTorrent）或HTTP多线程下载。Step2: 镜像大小Simage​=10GB，网络带宽BW=10Gbps。Step3: 要求50节点部署时间<1小时。Step4: 数学表达式：Tdistribute​=BWSimage​×Nnode​​（串行）。Step5: 若串行，T=10GB×50/1.25GB/s=400s，实际受限于TFTP。Step6: 推荐：使用HTTP多线程，并发10节点。Step7: 配置：部署服务器使用nginx。

50节点<1h；HTTP多线程

Image Distribution、P2P、HTTP

软：nginx、BitTorrent；硬：部署服务器；部署：优化策略

N-1009

网络适配

智算中心

训前压测NCCL allreduce带宽测试

如何设计NCCL allreduce带宽测试的报文大小

测试·Message Size

Step1: NCCL allreduce带宽随报文大小变化，小报文带宽低。Step2: 测试报文大小从1KB到1GB，找出最大带宽。Step3: 要求最大带宽>95%线速。Step4: 数学表达式：BWallreduce​(size)=Tallreduce​size×(N−1)/N​。Step5: 若size=1GB，N=8，T=2.5ms，则BW=1GB×7/8/2.5ms=350GB/s（聚合）。Step6: 配置：NCCL-tests中的all_reduce_perf。Step7: 推荐：测试所有报文大小。

报文大小1KB-1GB；最大带宽>95%

NCCL Allreduce、Message Size、Bandwidth

软：NCCL-tests；硬：GPU、RoCE网卡；部署：压测工具

N-1010

网络适配

智算中心

训前压测NCCL延迟测试

如何设计NCCL延迟测试的报文大小

测试·Latency Size

Step1: NCCL延迟测试使用小报文（8字节），测量ping-pong延迟。Step2: 要求延迟<10μs（同Leaf）。Step3: 数学表达式：Latency=2RTT​。Step4: 若RTT=12μs，则延迟=6μs。Step5: 配置：NCCL-tests中的sendrecv_perf。Step6: 推荐：测试不同报文大小。Step7: 验证：记录P50/P99。

8字节；延迟<10μs

NCCL Latency、Ping-pong

软：NCCL-tests；硬：GPU、RoCE网卡；部署：压测工具

N-1011

网络适配

智算中心

训前压测报告-带宽达标率

如何计算带宽达标率，评估集群整体性能

测试·Pass Rate

Step1: 每个节点测试带宽，达标标准≥95%线速。Step2: 达标率Rpass​=Ntotal​Npass​​。Step3: 要求达标率>98%。Step4: 数学表达式：Rpass​=Ntotal​count(BWi​≥0.95×line_rate)​。Step5: 若2000节点中1980达标，则R=99%。Step6: 配置：SA分析器自动计算。Step7: 推荐：不达标节点自动隔离。

达标率>98%；隔离不达标

Pass Rate、Qualification

软：SA分析器；硬：无；部署：压测报告

N-1012

网络适配

智算中心

CND故障监控-参数网卡数量检查

如何检查参数网卡数量是否符合预期

监控·NIC Count

Step1: 预期参数网卡数Nexpected​（如8），实际检查Nactual​。Step2: 若Nactual​<Nexpected​，标记故障。Step3: 要求检测时间<1s。Step4: 数学表达式：Fault=(Nactual​<Nexpected​)。Step5: 配置：CND脚本执行`ip link show

grep -c "ens."`。Step6: 推荐：每秒检查。Step7*: 验证：拔掉一根网线测试。

预期8张；少于则告警

NIC Count Check、CND

N-1013

网络适配

智算中心

CND故障监控-存储网卡数量检查

如何检查存储网卡数量是否符合预期

监控·Storage NIC Count

Step1: 预期存储网卡数Nexpected_sto​（如2），实际检查Nactual_sto​。Step2: 若Nactual_sto​<Nexpected_sto​，标记故障。Step3: 要求检测时间<1s。Step4: 数学表达式：Fault=(Nactual_sto​<Nexpected_sto​)。Step5: 配置：CND脚本执行`ip link show

grep -c "ens."`。Step6: 推荐：每秒检查。Step7*: 验证：拔掉一根网线测试。

预期2张；少于则告警

Storage NIC Count、CND

N-1014

网络适配

智算中心

CND故障监控-存储挂载检查超时

如何配置存储挂载检查的超时时间

监控·Mount Timeout

Step1: 使用mountpoint -q /mnt/storage检查，超时时间Ttimeout​=5s。Step2: 若超时未返回，视为挂载不可用。Step3: 要求检查时间<5s。Step4: 数学表达式：Mount_ok=(timeout_flag==false)∧(exit_code==0)。Step5: 配置：CND脚本中设置timeout。Step6: 推荐：超时5s。Step7: 验证：模拟存储故障。

超时5s；不可用则告警

Mount Check Timeout

软：CND插件；硬：CX存储；部署：每节点

N-1015

网络适配

智算中心

作业故障自愈-备份节点预热

如何设计备份节点的预热策略，使其能快速接管任务

可靠性·Backup Warm-up

Step1: 备份节点预先加载OS、驱动、CUDA、容器镜像，处于待命状态。Step2: 预热时间Twarm​=5min，故障接管时间Ttakeover​=30s。Step3: 要求总恢复时间<5分钟。Step4: 数学表达式：Trecovery​=Twarm​+Ttakeover​=5.5min。Step5: 优化：备份节点保持热状态，T_warm=0。Step6: 配置：傲飞平台维护备份节点池。Step7: 推荐：备份节点保持热备。

热备接管<30s；总恢复<5min

Backup Warm-up、Hot Standby

软：傲飞平台；硬：GPU服务器；部署：POC特性

N-1016

网络适配

智算中心

作业故障自愈-Checkpoint保存频率

如何设计Checkpoint保存频率，平衡恢复速度和开销

可靠性·Checkpoint Frequency

Step1: 每Nsteps​步保存一次Checkpoint，保存时间Tsave​。Step2: 故障恢复时从最近Checkpoint加载，损失Nsteps​步训练。Step3: 要求损失时间<5分钟。Step4: 数学表达式：Loss_time=Nsteps​×Tstep​。Step5: 若Tstep​=100ms，希望损失<5min=300s，则Nsteps​=3000。Step6: 配置：傲飞平台设置保存间隔。Step7: 推荐：每1000步保存一次。

每1000步保存；损失<2min

Checkpoint Frequency、Trade-off

软：傲飞平台；硬：CX存储；部署：训练配置

N-1017

网络适配

智算中心

文本预训练数据处理-数据版本回滚

如何设计数据版本的快速回滚机制

数据·Rollback

Step1: 每次数据处理生成新版本，旧版本保留。Step2: 回滚时切换到指定版本，数据路径更新。Step3: 要求回滚时间<1分钟。Step4: 数学表达式：Trollback​=Tswitch_metadata​。Step5: 配置：绿洲平台使用符号链接指向当前版本。Step6: 推荐：保留最近10个版本。Step7: 验证：回滚后训练使用旧数据。

回滚<1min；保留10版本

Version Rollback、Symbolic Link

软：绿洲平台；硬：CX存储；部署：平台功能

N-1018

网络适配

智算中心

绿洲AI数据集处理-数据标注质量控制

如何设计数据标注的质量控制，确保标注准确性

数据·Label QC

Step1: 多人标注同一数据，计算标注一致性（Cohen's Kappa）。Step2: 要求Kappa>0.8。Step3: 数学表达式：κ=1−pe​po​−pe​​。Step4: 若两人标注100条，一致80条，则po​=0.8，pe​=0.5，κ=0.6，不合格。Step5: 配置：绿洲平台设置标注任务。Step6: 推荐：至少2人标注。Step7: 验证：抽检不一致数据。

Kappa>0.8；多人标注

Label Quality、Cohen's Kappa

软：绿洲平台；硬：无；部署：标注流程

N-1019

网络适配

智算中心

绿洲AI数据集处理-数据增强质量评估

如何评估数据增强后的数据质量，避免引入噪声

数据·Augmentation Quality

Step1: 使用困惑度（Perplexity）评估增强文本的自然度。Step2: 要求增强后困惑度不高于原始。Step3: 数学表达式：PPLaug​≤PPLorig​。Step4: 若原始PPL=50，增强后PPL=55，则质量下降。Step5: 配置：绿洲平台内置评估模型。Step6: 推荐：过滤PPL过高的增强样本。Step7: 验证：人工抽样。

PPL不增加；过滤高PPL

Augmentation Quality、Perplexity

软：绿洲平台、语言模型；硬：无；部署：数据处理流程

N-1020

网络适配

智算中心

参数网交换机端口协商

如何配置交换机端口自协商，确保链路稳定

部署·Auto-negotiation

Step1: 400G端口使用自协商，200G端口建议强制。Step2: 要求链路不翻动。Step3: 数学表达式：Link_stable=(auto−neg==on)∧(speed==expected)。Step4: 配置：speed 400000no negotiate auto（强制）。Step5: 推荐：400G使用自协商，200G强制。Step6: 验证：show interface transceiver。Step7: 注意：光模块兼容性。

400G自协商；200G强制

Auto-negotiation、Link Stability

软：交换机配置；硬：RoCE交换机；部署：端口配置

N-1021

网络适配

智算中心

参数网交换机光模块诊断

如何通过交换机诊断光模块健康状态

运维·Optics Diag

Step1: 使用show interface transceiver detail查看DDM参数。Step2: 关键指标：温度、电压、偏置电流、发射功率、接收功率。Step3: 要求所有参数在阈值范围内。Step4: 数学表达式：Healthy=(T<Tmax​)∧(Vmin​<V<Vmax​)∧(I<Imax​)∧(Ptx​>Pmin​)∧(Prx​>Pmin​)。Step5: 配置：SA分析器采集交换机DDM。Step6: 推荐：定期巡检。Step7: 验证：更换故障光模块。

参数在阈值内

Optics Diagnostics、DDM

软：SA分析器；硬：RoCE交换机；部署：监控集成

N-1022

网络适配

智算中心

参数网交换机日志归档

如何设计交换机日志的归档策略，满足合规要求

运维·Log Archive

Step1: 日志每天生成一个文件，压缩后归档。Step2: 保留期限Tretention​=180天。Step3: 要求存储空间可预测。Step4: 数学表达式：Storage=Nsw​×daily_log_size×Tretention​。Step5: 若Nsw​=600，daily_log=100MB，则180天需10.8TB。Step6: 配置：使用ELK或S3存储。Step7: 推荐：自动化归档。

保留180天；10.8TB

Log Archiving、Retention

软：ELK、S3；硬：存储服务器；部署：运维流程

N-1023

网络适配

智算中心

参数网交换机配置备份

如何设计交换机配置的自动备份策略

运维·Config Backup

Step1: 每天凌晨自动备份配置到远程服务器。Step2: 保留最近30天的备份。Step3: 要求备份时间<1分钟/台。Step4: 数学表达式：Tbackup​=Nsw​×Tper_sw​。Step5: 若Nsw​=600，Tper_sw​=30s，则Tbackup​=5h（串行）。Step6: 推荐：并行备份，使用SCP或TFTP。Step7: 配置：SE控制器定时任务。

并行备份；保留30天

Config Backup、Disaster Recovery

软：SE控制器、SCP；硬：备份服务器；部署：自动化

N-1024

网络适配

智算中心

参数网交换机SNMP Trap

如何配置SNMP Trap，实时上报故障事件

监控·SNMP Trap

Step1: 交换机在端口down、温度过高、光模块故障时发送SNMP Trap。Step2: Trap接收端为SA分析器或网管系统。Step3: 要求事件上报延迟<1s。Step4: 数学表达式：Ttrap​=Tevent​+Tsend​。Step5: 配置：snmp-server enable traps。Step6: 推荐：所有重要事件启用Trap。Step7: 验证：模拟故障测试。

事件上报<1s；关键事件

SNMP Trap、Event Notification

软：网管系统；硬：RoCE交换机；部署：全网启用

N-1025

网络适配

智算中心

参数网BGP ORF

如何配置BGP Outbound Route Filtering（ORF），减少不必要的路由更新

路由·ORF

Step1: ORF允许发送端根据接收端的过滤需求，只发送匹配的路由。Step2: 配置前缀列表并通告给邻居。Step3: 要求路由更新减少>50%。Step4: 数学表达式：Routes_sent=Routes_matched(prefix_list)。Step5: 若本地有10000条路由，接收端只需要/24以上的路由，则只发送2000条。Step6: 配置：neighbor ... capability orf prefix-list both。Step7: 推荐：在Spine与Leaf之间启用。

路由更新减少50%以上；基于前缀过滤

BGP ORF、Route Filtering、Capability

软：交换机配置；硬：RoCE交换机；部署：Spine和Leaf

N-1026

网络适配

智算中心

参数网BGP Flowspec

如何利用BGP Flowspec实现分布式流量清洗

安全·Flowspec

Step1: BGP Flowspec将流量匹配规则和动作（如丢弃、限速）通过BGP分发。Step2: 在检测到DDoS攻击时，控制器下发Flowspec规则到边界交换机。Step3: 要求攻击流量丢弃延迟<1s。Step4: 数学表达式：Action=discardif src_IP∈blacklist。Step5: 配置：address-family ipv4 flowspec。Step6: 推荐：在Spine上启用。Step7: 验证：模拟攻击测试。

攻击流量丢弃<1s；分布式清洗

BGP Flowspec、DDoS Mitigation

软：SE控制器、交换机配置；硬：RoCE交换机；部署：边界Spine

N-1027

网络适配

智算中心

参数网BGP Large Community

如何使用BGP Large Community标记路由，实现精细策略控制

路由·Large Community

Step1: Large Community格式为AS:value1:value2，支持更大范围。Step2: 用Community标记不同租户或任务的路由。Step3: 要求策略匹配准确。Step4: 数学表达式：Route_tag=64512:tenant_id:task_id。Step5: 配置：route-map SET-COMMUNITY permit 10 set community large 64512:100:1。Step6: 推荐：用于多租户场景。Step7: 验证：show ip bgp community。

格式AS:val1:val2；多租户标记

BGP Large Community、Tagging

软：交换机配置；硬：RoCE交换机；部署：按需配置

N-1028

网络适配

智算中心

参数网BGP Segment Routing SR-MPLS

是否需要为参数网启用Segment Routing MPLS

路由·SR-MPLS

Step1: SR-MPLS通过标签栈实现流量工程，减少BGP路由条目。Step2: 参数网使用ECMP和主动选路，SR-MPLS增加复杂性。Step3: 要求不启用。Step4: 数学表达式：SR−MPLS=disabled。Step5: 配置：不配置。Step6: 推荐：不启用，保持简单。Step7: 验证：无。

不启用SR-MPLS

Segment Routing、MPLS

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1029

网络适配

智算中心

参数网BGP Segment Routing SRv6

是否需要为参数网启用SRv6

路由·SRv6

Step1: SRv6基于IPv6扩展头，需要全网IPv6支持。Step2: 参数网使用IPv4，迁移成本高。Step3: 要求不启用。Step4: 数学表达式：SRv6=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用SRv6

SRv6、IPv6

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1030

网络适配

智算中心

存储网NVMe-oF多路径

如何配置NVMe-oF多路径实现存储高可用

可靠性·NVMe MPIO

Step1: 计算节点通过多个NVMe-oF控制器路径访问存储。Step2: 配置NVMe多路径（dm-multipath）或原生NVMe多路径。Step3: 要求单路径故障时IO不中断。Step4: 数学表达式：Tfailover​=Tdetect​+Tswitch​。Step5: 若Tdetect​=100ms，Tswitch​=50ms，则Tfailover​=150ms。Step6: 配置：nvme connect-all，multipath -ll。Step7: 推荐：使用原生NVMe多路径。

切换<200ms；原生NVMe多路径

NVMe-oF Multipath、HA

软：nvme-cli、dm-multipath；硬：CX存储、RoCE网卡；部署：计算节点

N-1031

网络适配

智算中心

存储网iWARP vs RoCE

如何选择iWARP或RoCE作为存储网协议

协议·iWARP vs RoCE

Step1: iWARP基于TCP，兼容性好；RoCE基于UDP，性能高。Step2: 存储网要求低延迟、高吞吐。Step3: 要求选择RoCE。Step4: 数学表达式：Latencyroce​<Latencyiwarp​（通常RoCE低30%）。Step5: 测试：相同负载下RoCE延迟10μs，iWARP 15μs。Step6: 配置：使用RoCE。Step7: 推荐：存储网使用RoCE。

RoCE延迟更低；选RoCE

iWARP、RoCE、Protocol Comparison

软：网卡驱动；硬：RoCE网卡；部署：统一RoCE

N-1032

网络适配

智算中心

光模块预测模型架构选择

如何选择LSTM或Transformer作为光模块预测模型

预测·Model Architecture

Step1: LSTM适合时序预测，参数量少；Transformer适合长序列，精度更高。Step2: 光模块数据为单变量或多变量时序。Step3: 要求F1>0.85，推理延迟<50ms。Step4: 数学表达式：F1lstm​=0.83，F1transformer​=0.87。Step5: 若Transformer推理延迟80ms>50ms，则选LSTM。Step6: 推荐：使用轻量级LSTM（2层，64单元）。Step7: 配置：SA分析器集成。

LSTM F1=0.83；Transformer F1=0.87；延迟约束

LSTM vs Transformer、时序预测

软：SA分析器、TensorFlow；硬：无；部署：SA集成

N-1033

网络适配

智算中心

空泡率与MFU关系

如何量化空泡率对模型训练MFU的影响

性能·Bubble vs MFU

Step1: MFU（Model FLOPS Utilization）= 实际算力 / 峰值算力。Step2: 空泡率Bubble导致GPU空闲，降低MFU。Step3: 要求MFU>50%。Step4: 数学表达式：MFUeffective​=MFUideal​×(1−Bubble)。Step5: 若MFU_ideal=60%，Bubble=20%，则MFU_effective=48%。Step6: 优化：降低空泡率可提升MFU。Step7: 推荐：空泡率目标<15%。

MFU_effective=48%；Bubble=20%

MFU、Bubble Ratio、Efficiency

软：SA分析器；硬：GPU；部署：监控分析

N-1034

网络适配

智算中心

训前压测NCCL拓扑检测

如何利用NCCL拓扑检测验证GPU互联拓扑

测试·Topology Detection

Step1: NCCL通过ncclTopoDetect检测GPU之间的拓扑（NVLink、PCIe、RoCE）。Step2: 输出拓扑文件，与实际硬件对比。Step3: 要求拓扑检测准确率100%。Step4: 数学表达式：Match=(detected_topo==actual_topo)。Step5: 配置：NCCL_TOPO_DUMP_FILE=topo.txt。Step6: 推荐：训前执行。Step7: 验证：人工核对。

拓扑100%匹配

NCCL Topology、GPU Interconnect

软：NCCL；硬：GPU、NVLink；部署：压测工具

N-1035

网络适配

智算中心

CND故障监控-GPU温度监控

如何监控国产GPU的温度，防止过热降频

监控·GPU Temp

Step1: 昆仑芯P800使用xpu_smi读取温度，沐曦C500使用mx-smi。Step2: 温度阈值Thigh​=85℃，Tcritical​=105℃。Step3: 要求温度<85℃。Step4: 数学表达式：Alert=(T>Thigh​)。Step5: 配置：CND插件每秒采集。Step6: 推荐：联动风扇调速。Step7: 验证：高温时触发告警。

阈值85℃；每秒采集

GPU Temperature、Thermal

软：CND插件、xpu_smi、mx-smi；硬：国产GPU；部署：每节点

N-1036

网络适配

智算中心

国产化GPU PCIe复位流程

如何设计国产GPU的PCIe复位流程，恢复故障GPU

运维·PCIe Reset

Step1: 使用echo 1 > /sys/bus/pci/devices/.../remove移除，echo 1 > /sys/bus/pci/rescan恢复。Step2: 复位后检查GPU是否恢复正常。Step3: 要求复位时间<30s。Step4: 数学表达式：Treset​=Tremove​+Trescan​+Tcheck​。Step5: 若Tremove​=1s，Trescan​=5s，Tcheck​=10s，则Treset​=16s。Step6: 配置：CND插件集成复位脚本。Step7: 推荐：自动复位一次，失败则隔离。

复位<30s；自动尝试

PCIe Reset、GPU Recovery

软：CND插件、PCIe sysfs；硬：国产GPU；部署：每节点

N-1037

网络适配

智算中心

云上SDN编排-VXLAN多播优化

如何优化VXLAN多播组管理，减少IGMP查询

虚拟化·Multicast Optimization

Step1: 使用IGMP Snooping减少多播泛滥。Step2: 配置静态多播组，避免动态加入延迟。Step3: 要求多播流量带宽<0.1%总带宽。Step4: 数学表达式：IGMP_query_interval=125s。Step5: 配置：ip igmp snooping。Step6: 推荐：使用头端复制替代多播。Step7: 验证：show ip igmp groups。

多播带宽<0.1%；IGMP Snooping

VXLAN Multicast、IGMP Snooping

软：交换机配置；硬：RoCE交换机；部署：Leaf

N-1038

网络适配

智算中心

参数网Leaf Group内多轨负载均衡

如何保证多轨连接中不同网卡的流量均匀分布在Group内Leaf上

负载均衡·Multi-rail LB

Step1: 每个GPU的8张网卡连接到8台Leaf（多轨）。Step2: 流量哈希到不同网卡，需确保各Leaf负载均衡。Step3: 要求各Leaf下行带宽偏差<10%。Step4: 数学表达式：Utilleafi​​=BWleaf​∑gpu​trafficgpu,leafi​​​。Step5: 配置：使用对称哈希，保证同一GPU的不同网卡流量均匀。Step6: 推荐：UCCL中启用多QP绑不同Leaf。Step7: 验证：SA查看各Leaf利用率。

偏差<10%；对称哈希

Multi-rail、Load Balance

软：UCCL、SA分析器；硬：RoCE交换机；部署：训练配置

N-1039

网络适配

智算中心

参数网Spine冗余设计

如何设计Spine的冗余数量，保证N+1冗余

可靠性·Spine Redundancy

Step1: 所需Spine数Sneed​，配置S=Sneed​+1实现N+1。Step2: 单Spine故障时，流量均匀分布到剩余Spine。Step3: 要求单Spine故障时带宽不降。Step4: 数学表达式：BWafter​=SS−1​×BWtotal​。Step5: 若S=17，S_need=16，则故障后BW=16/17≈94%，接近满带宽。Step6: 配置：Spine数=Leaf上行端口数/收敛比+1。Step7: 推荐：万卡集群Spine冗余1台。

N+1冗余；故障后带宽94%

Spine Redundancy、N+1

软：无；硬：Spine交换机；部署：规划阶段

N-1040

网络适配

智算中心

存储网CX存储负载均衡算法

如何配置CX存储的负载均衡算法（如加权轮询）

性能·Storage LB

Step1: CX存储支持多种负载均衡算法：轮询、加权轮询、最少连接。Step2: 根据存储节点性能配置权重。Step3: 要求各存储节点IOPS偏差<10%。Step4: 数学表达式：Weighti​=∑Capacityj​Capacityi​​。Step5: 若节点A容量10TB，节点B 20TB，则权重1:2。Step6: 配置：CX存储管理界面设置。Step7: 推荐：加权轮询。

IOPS偏差<10%；加权轮询

Storage Load Balancing、Weighted Round Robin

软：CX存储管理软件；硬：CX存储；部署：存储集群

N-1041

网络适配

智算中心

文本预训练数据处理-语言检测

如何自动检测文本语言，过滤非目标语言

数据·Language Detection

Step1: 使用fastText或langid检测文本语言。Step2: 保留中文占比>90%的文本。Step3: 要求检测准确率>95%。Step4: 数学表达式：Lang_prob=model.predict(text)。Step5: 若中文概率0.92，则保留。Step6: 配置：绿洲平台集成语言检测算子。Step7: 推荐：预训练数据仅保留中文。

中文>90%；准确率>95%

Language Detection、fastText

软：绿洲平台、fastText；硬：无；部署：数据处理流程

N-1042

网络适配

智算中心

文本预训练数据处理-OCR清洗

如何清洗OCR识别产生的噪声文本

数据·OCR Cleaning

Step1: OCR文本常有乱码、多余空格、识别错误。Step2: 使用正则替换常见OCR错误（如“0”->“O”）。Step3: 要求清洗后文本可读性提升。Step4: 数学表达式：Clean_text=regex_replace(ocr_text,patterns)。Step5: 配置：绿洲平台内置OCR清洗规则。Step6: 推荐：结合人工审核。Step7: 验证：抽样对比。

提升可读性；规则替换

OCR Cleaning、Noise Reduction

软：绿洲平台；硬：无；部署：数据处理流程

N-1043

网络适配

智算中心

绿洲平台数据血缘追踪

如何追踪数据从原始到训练集的完整血缘

数据·Data Lineage

Step1: 记录每个数据文件的来源、处理步骤、参数、版本。Step2: 使用图数据库存储血缘关系。Step3: 要求血缘查询时间<1s。Step4: 数学表达式：Lineage_graph=(nodes,edges)。Step5: 配置：绿洲平台集成Apache Atlas。Step6: 推荐：便于问题回溯。Step7: 验证：查询某个训练集的血缘。

查询<1s；图数据库

Data Lineage、Atlas

软：绿洲平台、Apache Atlas；硬：无；部署：平台功能

N-1044

网络适配

智算中心

傲飞平台资源预留策略

如何为高优先级任务预留网络和GPU资源

调度·Resource Reservation

Step1: 高优先级任务预留Rgpu​个GPU和Rbw​带宽。Step2: 预留资源不参与普通任务调度。Step3: 要求高优先级任务启动时资源可用。Step4: 数学表达式：Available_resources=Total−Reserved。Step5: 配置：傲飞平台设置资源池预留。Step6: 推荐：关键任务预留20%资源。Step7: 验证：高优先级任务立即启动。

预留20%；即时可用

Resource Reservation、Priority

软：傲飞平台；硬：GPU、网络；部署：平台配置

N-1045

网络适配

智算中心

异构训练梯度压缩通信

如何为异构训练配置梯度压缩，减少跨厂商通信量

性能·Hetero Compression

Step1: NV GPU和国产GPU之间通信带宽受限，使用梯度压缩。Step2: 压缩比C=10，通信量减少90%。Step3: 要求训练速度提升>20%。Step4: 数学表达式：Tcomm_new​=Tcomm_old​/C+Tcompress​。Step5: 若原通信100ms，压缩10ms，则新通信20ms。Step6: 配置：DeepSpeed中启用compression。Step7: 推荐：跨厂商通信必选。

压缩比10；速度提升>20%

Heterogeneous Compression、DeepSpeed

软：DeepSpeed、UCCL；硬：GPU；部署：训练脚本

N-1046

网络适配

智算中心

推理服务网络QoS保障

如何为在线推理服务保障低延迟网络

QoS·Inference QoS

Step1: 推理流量标记为高优先级（DSCP 48），使用严格优先级队列。Step2: 训练流量标记为低优先级（DSCP 24）。Step3: 要求推理P99延迟<10ms。Step4: 数学表达式：Queue_service_rateinfer​=C（严格）。Step5: 配置：Leaf出口配置队列映射。Step6: 推荐：推理与训练物理隔离。Step7: 验证：同时运行训练和推理测试。

推理严格优先；P99<10ms

Inference QoS、Strict Priority

软：交换机配置；硬：RoCE交换机；部署：Leaf出口

N-1047

网络适配

智算中心

推理服务模型分片网络拓扑

如何为推理模型分片（TP）设计最优网络拓扑

架构·Inference TP

Step1: 推理TP需要在每个token生成时进行allreduce，延迟敏感。Step2: 将TP组内的GPU放在同一节点（NVLink）或同一Leaf下。Step3: 要求TP通信延迟<50μs。Step4: 数学表达式：Ltp​=2×(Ntp​−1)×Thop​。Step5: 若Ntp​=8，NVLink延迟1μs，则Ltp​=14μs；若跨Leaf RoCE 5μs，则Ltp​=70μs。Step6: 推荐：TP组内使用NVLink。Step7: 配置：vLLM中tensor_parallel_size=8。

TP=8；NVLink延迟14μs；RoCE 70μs

Inference TP、Latency

软：vLLM、Triton；硬：GPU、NVLink；部署：节点内TP

N-1048

网络适配

智算中心

推理服务KV Cache传输优化

如何优化推理时KV Cache在TP组内的广播

性能·KV Cache Broadcast

Step1: Prompt处理阶段，KV Cache需要在TP组内广播。Step2: 使用流水线广播，边计算边传输。Step3: 要求广播时间<10ms。Step4: 数学表达式：Tbroadcast​=BWnvlink​K​。Step5: 若KV Cache 9.6GB，NVLink 600GB/s，则T=16ms。Step6: 优化：使用异步广播，与计算重叠。Step7: 推荐：使用NVLink。

KV Cache 9.6GB；NVLink 16ms

KV Cache、Pipeline Broadcast

软：vLLM；硬：NVLink；部署：节点内TP

N-1049

网络适配

智算中心

推理服务动态批处理网络影响

如何评估动态批处理对网络流量的影响

性能·Dynamic Batching

Step1: 动态批处理合并多个请求，增大batch size，增加计算量但减少网络IO次数。Step2: 网络流量与batch size成正比。Step3: 要求网络不成为瓶颈。Step4: 数学表达式：BWneed​=Tdeadline​batch_size×data_per_request​。Step5: 若batch=1024，data=1KB，deadline=10ms，则BW=102.4MB/s。Step6: 配置：vLLM中max_num_seqs。Step7: 推荐：根据网络带宽调整batch。

batch=1024；BW=102.4MB/s

Dynamic Batching、Throughput

软：vLLM、Triton；硬：GPU；部署：推理配置

N-1050

网络适配

智算中心

推理服务冷启动网络加速

如何加速推理服务的冷启动（模型加载）

性能·Cold Start

Step1: 模型从存储加载到GPU显存，网络带宽是关键。Step2: 使用模型缓存（本地SSD或内存）减少网络加载。Step3: 要求冷启动时间<30s。Step4: 数学表达式：Tload​=BWstorage​Cmodel​​。Step5: 若模型350GB，存储网12.5GB/s，则T=28s。Step6: 优化：使用本地NVMe缓存。Step7: 推荐：推理节点配备本地SSD。

模型350GB；加载28s；本地缓存

Cold Start、Model Loading、Cache

软：Triton、vLLM；硬：NVMe SSD；部署：本地缓存

N-1051

网络适配

智算中心

推理服务灰度发布网络策略

如何设计推理服务的灰度发布，逐步切换流量

架构·Canary Release

Step1: 新版本推理服务部署在少量GPU上，引流5%的请求。Step2: 使用服务网格（Istio）或Kubernetes Service进行流量分割。Step3: 要求灰度期间不影响用户体验。Step4: 数学表达式：Trafficnew​=0.05×Total_traffic。Step5: 配置：Istio VirtualService权重5%。Step6: 推荐：逐步增加权重。Step7: 验证：监控新旧版本延迟和错误率。

灰度5%；逐步放量

Canary Release、Traffic Splitting

软：Istio、Kubernetes；硬：GPU；部署：推理集群

N-1052

网络适配

智算中心

推理服务可观测性-请求追踪

如何实现推理请求的全链路追踪

监控·Request Tracing

Step1: 使用OpenTelemetry在推理链路上注入trace ID。Step2: 收集各阶段耗时：网络传输、模型推理、后处理。Step3: 要求P99延迟分解到各阶段。Step4: 数学表达式：Ltotal​=Lnet​+Linfer​+Lpost​。Step5: 配置：Triton集成OpenTelemetry。Step6: 推荐：用于定位瓶颈。Step7: 验证：Jaeger UI查看trace。

全链路追踪；P99分解

Request Tracing、OpenTelemetry

软：OpenTelemetry、Jaeger；硬：无；部署：推理服务集成

N-1053

网络适配

智算中心

推理服务熔断降级网络配置

如何配置网络层面的熔断降级，防止雪崩

可靠性·Circuit Breaker

Step1: 当后端推理实例错误率>50%时，熔断器打开，直接返回降级响应。Step2: 网络层面可通过丢弃或限流实现。Step3: 要求熔断恢复时间<30s。Step4: 数学表达式：State={closed,open,​error_rate<50%error_rate≥50%​。Step5: 配置：Envoy或Istio的circuit breaker。Step6: 推荐：结合健康检查。Step7: 验证：模拟故障测试。

错误率50%触发；恢复<30s

Circuit Breaker、Resilience

软：Envoy、Istio；硬：无；部署：服务网格

N-1054

网络适配

智算中心

推理服务全局负载均衡（GSLB）

如何设计跨地域推理服务的全局负载均衡

架构·GSLB

Step1: 多个地域部署推理服务，通过DNS或Anycast将用户请求导向最近的地域。Step2: 要求用户延迟<50ms。Step3: 数学表达式：Selected_region=argminr​(latencyuser,r​)。Step4: 配置：使用AWS Route53或自建DNS GSLB。Step5: 推荐：结合健康检查和权重。Step6: 验证：从不同地域访问测试。

用户延迟<50ms；就近路由

GSLB、Anycast、DNS

软：DNS服务器、健康检查；硬：无；部署：跨地域

N-1055

网络适配

智算中心

训练任务与网络拓扑亲和性调度

如何将训练任务的PP/TP/DP组调度到同一Leaf Group内，减少跨Spine通信

调度·Topology-aware Scheduling

Step1: PP/TP/DP组内的GPU需要频繁通信，应尽量放在同一Leaf Group内。Step2: 傲飞平台根据GPU的拓扑信息（NUMA、Leaf）进行亲和性调度。Step3: 要求跨Spine通信量减少>50%。Step4: 数学表达式：Cross_spine_traffic=∑group​(Ngpu_cross​×BWper_gpu​)。Step5: 若将TP=8的组放在同一Leaf Group内，跨Spine通信量为0。Step6: 配置：傲飞平台中设置拓扑感知调度策略。Step7: 推荐：训练任务创建时指定拓扑约束。

跨Spine减少>50%；TP组内同Leaf

Topology-aware Scheduling、Affinity

软：傲飞平台；硬：GPU、RoCE网络；部署：平台调度策略

N-1056

网络适配

智算中心

训练任务Checkpoint保存网络带宽预留

如何为Checkpoint保存预留存储网带宽，避免影响训练

可靠性·Checkpoint BW Reservation

Step1: Checkpoint保存期间占用存储网带宽，可能影响训练数据加载。Step2: 预留20%存储网带宽给Checkpoint。Step3: 要求训练数据加载不中断。Step4: 数学表达式：BWreserved​=0.2×BWstorage_total​。Step5: 若存储网总带宽3.84TB/s，预留768GB/s给Checkpoint。Step6: 配置：QoS队列中为Checkpoint设置最小带宽。Step7: 推荐：使用后台优先级较低的队列。

预留20%带宽；不影响训练

Checkpoint BW、QoS Reservation

软：交换机QoS配置；硬：RoCE交换机；部署：存储网QoS

N-1057

网络适配

智算中心

训练任务日志传输网络优化

如何优化训练日志的实时传输，减少对参数网的影响

运维·Log Transport

Step1: 训练日志通过业务网传输，不与参数网争抢带宽。Step2: 使用独立的日志采集Agent，压缩后上传。Step3: 要求日志传输带宽占用<1Gbps。Step4: 数学表达式：BWlog​=Nnode​×log_rate×compression_ratio。Step5: 若2000节点，每节点日志速率1MB/s，压缩比10，则BW=200MB/s=1.6Gbps。Step6: 配置：使用Filebeat + Kafka。Step7: 推荐：日志走带外管理网。

日志带宽<1.6Gbps；压缩传输

Log Transport、Compression

软：Filebeat、Kafka；硬：管理网；部署：独立网络

N-1058

网络适配

智算中心

训练任务可视化WebUI网络

如何为训练任务可视化（TensorBoard）提供网络保障

监控·TensorBoard Network

Step1: TensorBoard WebUI通过业务网访问，需要低延迟。Step2: 限制TensorBoard带宽不超过100Mbps。Step3: 要求不影响训练任务。Step4: 数学表达式：BWtb​=100Mbps。Step5: 配置：QoS限制TensorBoard流量。Step6: 推荐：使用独立公服区。Step7: 验证：训练时同时使用TensorBoard。

带宽限制100Mbps；不影响训练

TensorBoard、WebUI QoS

软：交换机QoS；硬：RoCE交换机；部署：业务网QoS

N-1059

网络适配

智算中心

多模态训练数据加载网络

如何为多模态（图像+文本）训练数据加载优化存储网

性能·Multi-modal Data Loading

Step1: 多模态数据包含大尺寸图像，数据加载带宽需求更高。Step2: 每个GPU需要2GB/s数据加载带宽。Step3: 要求存储网不成为瓶颈。Step4: 数学表达式：BWmulti_modal​=Ngpu​×2GB/s。Step5: 若16000 GPU，总需求32TB/s，远超存储网3.84TB/s。Step6: 优化：使用数据缓存（如Alluxio）减少重复加载。Step7: 推荐：本地SSD缓存高频数据。

每GPU 2GB/s；缓存优化

Multi-modal Data Loading、Cache

软：Alluxio、本地缓存；硬：NVMe SSD；部署：存储优化

N-1060

网络适配

智控中心

参数网PFC死锁检测

如何检测和定位PFC死锁的发生位置

运维·PFC Deadlock Detection

Step1: 监控交换机端口PFC暂停帧计数，若某个端口持续发送暂停帧超过Tsuspect​=1s，疑似死锁。Step2: 使用SA分析器关联分析。Step3: 要求死锁定位时间<10s。Step4: 数学表达式：Suspect=(pause_frames_sent>threshold)∧(duration>1s)。Step5: 配置：SA分析器设置告警规则。Step6: 推荐：启用PFC Watchdog自动恢复。Step7: 验证：模拟死锁测试。

暂停帧持续>1s；定位<10s

PFC Deadlock Detection

软：SA分析器；硬：RoCE交换机；部署：监控集成

N-1061

网络适配

智算中心

参数网ECN标记一致性检查

如何检查全网ECN配置的一致性

运维·ECN Consistency

Step1: ECN配置包括Kmin、Kmax、标记概率，需全网一致。Step2: SE控制器采集所有Leaf的ECN配置，比对基准配置。Step3: 要求配置一致率100%。Step4: 数学表达式：Consistency=(configi​==configb​ase)∀i。Step5: 配置：SE控制器定时巡检。Step6: 推荐：部署后自动检查。Step7: 验证：show qos ecn对比。

100%一致；自动巡检

ECN Consistency、Configuration Audit

软：SE控制器；硬：RoCE交换机；部署：自动化检查

N-1062

网络适配

智算中心

参数网RoCE网卡固件版本一致性

如何确保全网RoCE网卡固件版本一致

运维·Firmware Consistency

Step1: 网卡固件版本影响RoCE功能和性能。Step2: SE Agent采集网卡固件版本，上报SE控制器。Step3: 要求版本一致率>99%。Step4: 数学表达式：Version_match=(fw_versioni​==target_version)。Step5: 配置：SE控制器制定目标版本。Step6: 推荐：批量升级不一致的网卡。Step7: 验证：ethtool -i eth0。

一致率>99%；批量升级

Firmware Consistency、Version Management

软：SE Agent、SE控制器；硬：RoCE网卡；部署：自动化管理

N-1063

网络适配

智算中心

参数网光模块型号一致性

如何确保参数网光模块型号匹配，避免兼容性问题

运维·Optics Compatibility

Step1: 不同型号光模块可能不兼容，导致链路不稳定。Step2: 记录每根链路的光模块型号，比对兼容性列表。Step3: 要求兼容性100%。Step4: 数学表达式：Compatible=(tx_module,rx_module)∈compatibility_matrix。Step5: 配置：SE控制器维护兼容性矩阵。Step6: 推荐：统一采购同一品牌型号。Step7: 验证：show interface transceiver。

100%兼容；统一型号

Optics Compatibility、Vendor Lock

软：SE控制器；硬：光模块；部署：采购规范

N-1064

网络适配

智算中心

参数网链路预算计算

如何计算400G光链路的功率预算，确保信号质量

部署·Link Budget

Step1: 400G光模块发射功率Ptx​，接收灵敏度Prx_min​，链路损耗L。Step2: 要求Ptx​−L≥Prx_min​。Step3: 数学表达式：Margin=Ptx​−L−Prx_min​。Step4: 若Ptx​=2dBm，L=3dB（含连接器），Prx_min​=−8dBm，则Margin=7dB。Step5: 要求Margin>3dB。Step6: 配置：施工前计算链路预算。Step7: 推荐：使用OTDR测试实际损耗。

Margin>3dB；2dBm发射，-8dBm接收

Link Budget、Optical Power

软：计算工具；硬：光模块、光纤；部署：施工规范

N-1065

网络适配

智算中心

参数网光纤类型选择

如何选择单模或多模光纤，满足400G传输距离

部署·Fiber Type

Step1: 400G DR4使用单模光纤，传输距离500m；400G SR8使用多模光纤，传输距离100m。Step2: 智算中心机房间距离通常<100m，可用多模。Step3: 要求满足距离要求。Step4: 数学表达式：Distancerequired​≤Distancemax​。Step5: 若机房间距离80m，多模SR8支持100m，满足。Step6: 配置：机柜内使用多模，跨机房使用单模。Step7: 推荐：统一使用单模，预留扩展。

多模100m；单模500m

Fiber Type、Transmission Distance

软：无；硬：光纤、光模块；部署：布线规范

N-1066

网络适配

智算中心

参数网交换机风扇策略

如何配置交换机风扇策略，平衡散热和噪音

运维·Fan Policy

Step1: 交换机风扇支持自动、手动、最大风速模式。Step2: 智算中心对噪音不敏感，使用最大风速保证散热。Step3: 要求温度<45℃。Step4: 数学表达式：Fan_speed=100%。Step5: 配置：fan-speed maximum。Step6: 推荐：使用自动模式，温度超过40℃时全速。Step7: 验证：show environment temperature。

温度<45℃；最大风速

Fan Policy、Thermal Management

软：交换机配置；硬：RoCE交换机；部署：机房环境

N-1067

网络适配

智算中心

参数网交换机电源冗余

如何配置交换机电源冗余，提高可靠性

可靠性·Power Redundancy

Step1: 交换机配置双电源，分别接入不同PDU。Step2: 要求单电源故障时交换机正常运行。Step3: 数学表达式：Power_redundancy=1+1。Step4: 配置：power redundancy-mode combined。Step5: 推荐：所有交换机启用。Step6: 验证：拔掉一个电源测试。

1+1冗余；单电源故障不中断

Power Redundancy、PDU

软：交换机配置；硬：电源、PDU；部署：硬件规划

N-1068

网络适配

智算中心

参数网交换机堆叠

是否需要配置交换机堆叠（Stack）

架构·Stacking

Step1: 堆叠将多台交换机虚拟为一台，简化管理但增加故障域。Step2: 智算中心使用Spine-Leaf架构，Leaf独立运行，不堆叠。Step3: 要求不堆叠。Step4: 数学表达式：Stack=disabled。Step5: 配置：不配置。Step6: 推荐：Leaf独立运行。Step7: 验证：无。

不堆叠；独立运行

Stacking、Spine-Leaf

软：无；硬：RoCE交换机；部署：不启用

N-1069

网络适配

智算中心

参数网交换机VLAN Trunk

如何配置Leaf到Spine的Trunk端口，允许所有VLAN

虚拟化·Trunk

Step1: Leaf上行到Spine的端口配置为Trunk，允许所有VLAN。Step2: 参数网使用VLAN 10-100，存储网使用VLAN 200-300。Step3: 要求VLAN透传。Step4: 数学表达式：Allowed_VLAN=10−100,200−300。Step5: 配置：interface port-channel 1 switchport trunk allowed vlan 10-100,200-300。Step6: 推荐：只允许必要的VLAN。Step7: 验证：show interfaces trunk。

只允许参数网和存储网VLAN

VLAN Trunk、Allowed VLAN

软：交换机配置；硬：RoCE交换机；部署：Leaf上行

N-1070

网络适配

智算中心

参数网交换机STP配置

如何配置生成树协议（STP），防止二层环路

可靠性·STP

Step1: Spine-Leaf架构中，Leaf之间没有直连，不存在二层环路。Step2: 可关闭STP减少CPU负载。Step3: 要求不启用STP。Step4: 数学表达式：STP=disabled。Step5: 配置：spanning-tree mode none。Step6: 推荐：关闭STP，使用MC-LAG防环。Step7: 验证：show spanning-tree。

关闭STP；无环路

STP、Loop Prevention

软：交换机配置；硬：RoCE交换机；部署：Leaf上行

N-1071

网络适配

智算中心

参数网交换机MC-LAG

如何配置MC-LAG实现Leaf双归接入

可靠性·MC-LAG

Step1: 服务器双网卡绑定（LACP）连接到两台Leaf，配置MC-LAG。Step2: MC-LAG将两台Leaf虚拟为一台，避免环路。Step3: 要求单Leaf故障时流量无缝切换。Step4: 数学表达式：Tfailover​=Tlacp_timeout​=3s。Step5: 配置：interface port-channel 1 lacp fast-rate。Step6: 推荐：关键服务器启用MC-LAG。Step7: 验证：拔掉一根网线测试。

切换<3s；LACP fast-rate

MC-LAG、LACP、High Availability

软：交换机配置；硬：RoCE交换机；部署：接入Leaf

N-1072

网络适配

智算中心

参数网交换机VXLAN Anycast VTEP

如何配置Anycast VTEP实现多活网关

虚拟化·Anycast VTEP

Step1: 多台Leaf配置相同的VTEP IP，实现多活网关。Step2: 流量通过ECMP到达任意Leaf。Step3: 要求单Leaf故障时流量自动切换到其他Leaf。Step4: 数学表达式：VTEP_IP=10.0.0.1shared。Step5: 配置：interface nve1 source-interface loopback1，所有Leaf相同IP。Step6: 推荐：用于VXLAN L3网关。Step7: 验证：拔掉一台Leaf测试。

共享VTEP IP；多活网关

Anycast VTEP、Multi-active Gateway

软：交换机配置；硬：RoCE交换机；部署：Leaf

N-1073

网络适配

智算中心

参数网交换机BGP Peer Group

如何配置BGP Peer Group简化配置

路由·Peer Group

Step1: 将具有相同策略的邻居加入Peer Group，统一配置。Step2: 所有Leaf作为Spine的Peer Group。Step3: 要求配置简化。Step4: 数学表达式：Peer_group=spine_leaf_group。Step5: 配置：neighbor spine-leaf peer-group。Step6: 推荐：所有Spine配置相同。Step7: 验证：show ip bgp peer-group。

统一配置；简化管理

BGP Peer Group、Configuration Simplification

软：交换机配置；硬：RoCE交换机；部署：Spine

N-1074

网络适配

智算中心

参数网交换机NTP认证

如何配置NTP认证，防止时间同步攻击

安全·NTP Auth

Step1: NTP认证使用MD5或SHA1密钥。Step2: 配置NTP服务器和客户端共享密钥。Step3: 要求时间同步不被篡改。Step4: 数学表达式：Auth=HMAC(message,key)。Step5: 配置：ntp authenticate，ntp authentication-key 1 md5 secret。Step6: 推荐：生产环境启用。Step7: 验证：show ntp status。

NTP认证启用；HMAC

NTP Authentication、Security

软：交换机配置；硬：RoCE交换机；部署：全网启用

N-1075

网络适配

智算中心

参数网交换机端口镜像

如何配置端口镜像用于故障排查

运维·Port Mirroring

Step1: 将故障端口的流量镜像到分析端口，用于抓包分析。Step2: 配置SPAN或RSPAN。Step3: 要求不影响源端口性能。Step4: 数学表达式：Mirror_traffic=original_traffic。Step5: 配置：monitor session 1 source interface gigabitethernet 1/0/1 both。Step6: 推荐：临时使用，不长期开启。Step7: 验证：分析端口抓包。

镜像流量；不影响性能

Port Mirroring、SPAN

软：Wireshark；硬：RoCE交换机；部署：按需启用

N-1076

网络适配

智算中心

参数网交换机Smart Link

是否需要配置Smart Link实现链路快速切换

可靠性·Smart Link

Step1: Smart Link是华为私有协议，用于双归接入快速切换。Step2: 智算中心使用MC-LAG，不需要Smart Link。Step3: 要求不启用。Step4: 数学表达式：Smart_Link=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用Smart Link

Smart Link、Proprietary Protocol

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1077

网络适配

智算中心

参数网交换机Monitor Link

是否需要配置Monitor Link联动端口状态

可靠性·Monitor Link

Step1: Monitor Link将一个端口的状态与另一个端口联动。Step2: 智算中心不需要。Step3: 要求不启用。Step4: 数学表达式：Monitor_Link=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用Monitor Link

Monitor Link、Port State

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1078

网络适配

智算中心

参数网交换机RRPP

是否需要配置RRPP（Rapid Ring Protection Protocol）

可靠性·RRPP

Step1: RRPP用于环形拓扑快速保护。Step2: 智算中心使用Spine-Leaf，不是环形。Step3: 要求不启用。Step4: 数学表达式：RRPP=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用RRPP

RRPP、Ring Protection

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1079

网络适配

智算中心

参数网交换机ERPS

是否需要配置ERPS（Ethernet Ring Protection Switching）

可靠性·ERPS

Step1: ERPS用于以太网环形拓扑保护。Step2: 智算中心不使用环形拓扑。Step3: 要求不启用。Step4: 数学表达式：ERPS=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用ERPS

ERPS、Ring Protection

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1080

网络适配

智算中心

参数网交换机VCF

是否需要配置VCF（Vertical Converged Framework）

架构·VCF

Step1: VCF是H3C的虚拟化技术，将多台交换机虚拟为一台。Step2: 智算中心使用Spine-Leaf独立运行。Step3: 要求不启用。Step4: 数学表达式：VCF=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用VCF

VCF、Virtualization

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1081

网络适配

智算中心

参数网交换机IRF

是否需要配置IRF（Intelligent Resilient Framework）

架构·IRF

Step1: IRF是H3C的堆叠技术。Step2: 智算中心不使用堆叠。Step3: 要求不启用。Step4: 数学表达式：IRF=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用IRF

IRF、Stacking

软：交换机配置；硬：RoCE交换机；部署：不启用

N-1082

网络适配

智算中心

参数网交换机M-LAG

如何配置M-LAG（Multichassis Link Aggregation）

可靠性·M-LAG

Step1: M-LAG类似MC-LAG，用于跨设备链路聚合。Step2: 配置peer-link和keepalive链路。Step3: 要求单设备故障时流量不中断。Step4: 数学表达式：Tfailover​=Tkeepalive_timeout​=3s。Step5: 配置：interface m-lag 1。Step6: 推荐：Leaf之间配置M-LAG。Step7: 验证：拔掉一台Leaf测试。

切换<3s；M-LAG

M-LAG、Link Aggregation

软：交换机配置；硬：RoCE交换机；部署：Leaf

N-1083

网络适配

智算中心

参数网交换机VXLAN L2 Gateway

如何配置VXLAN L2 Gateway连接传统VLAN

虚拟化·L2 Gateway

Step1: L2 Gateway将VXLAN与传统VLAN桥接。Step2: 配置VXLAN接入VLAN。Step3: 要求VLAN与VXLAN互通。Step4: 数学表达式：Bridge_domain=VXLAN_VNI↔VLAN_ID。Step5: 配置：bridge-domain 10，member vni 1000，member vlan 100。Step6: 推荐：云下过渡场景使用。Step7: 验证：VLAN内ping VXLAN内IP。

VNI↔VLAN；互通

VXLAN L2 Gateway、Bridge Domain

软：交换机配置；硬：RoCE交换机；部署：Leaf

N-1084

网络适配

智算中心

参数网交换机VXLAN L3 Gateway

如何配置VXLAN L3 Gateway实现VXLAN间路由

虚拟化·L3 Gateway

Step1: L3 Gateway在不同VXLAN之间路由，每个VXLAN对应一个VRF。Step2: 配置VXLAN接口和VRF。Step3: 要求不同VXLAN间互通可控。Step4: 数学表达式：Routevxlan_a→vxlan_b​=VRF_import/export。Step5: 配置：interface vlan100，vxlan-forwarding，vrf forwarding tenant_A。Step6: 推荐：Spine作为集中式L3 Gateway。Step7: 验证：跨VXLAN ping测试。

集中式L3 Gateway；VRF隔离

VXLAN L3 Gateway、VRF

软：交换机配置；硬：RoCE交换机；部署：Spine

N-1085

网络适配

智算中心

参数网BGP-LS拓扑收集

如何利用BGP-LS（Link State）收集网络拓扑信息，用于主动选路

路由·BGP-LS

Step1: BGP-LS将IGP链路状态信息通过BGP上报给控制器。Step2: SE控制器作为BGP-LS speaker，接收Spine/Leaf发布的链路状态。Step3: 要求拓扑更新延迟<1s。Step4: 数学表达式：Topology_update_delay=Tlsa​+Tbgp_update​。Step5: 若IGP LSA间隔5s，BGP update传播1s，则延迟6s。Step6: 优化：使用BFD加速链路状态变化检测。Step7: 配置：address-family link-state link-state。

拓扑更新<6s；BGP-LS收集

BGP-LS、Topology Collection、Active Routing

软：SE控制器；硬：RoCE交换机；部署：控制器集成

N-1086

网络适配

智算中心

参数网BGP Flowspec细粒度限速

如何利用BGP Flowspec对特定流进行精准限速

安全·Rate Limiting

Step1: 定义Flowspec规则匹配特定五元组，动作为限速（rate-limit）。Step2: 限速值Rlimit​=100Gbps。Step3: 要求限速精度±5%。Step4: 数学表达式：Rate_action=min(packet_rate,Rlimit​)。Step5: 配置：flowspec rate-limit 100000。Step6: 推荐：用于多租户带宽管控。Step7: 验证：iperf3测试限速效果。

限速100Gbps；精度±5%

BGP Flowspec、Rate Limiting

软：SE控制器、交换机配置；硬：RoCE交换机；部署：Spine

N-1087

网络适配

智算中心

参数网BGP RPKI

是否需要配置RPKI（Resource Public Key Infrastructure）验证路由起源

安全·RPKI

Step1: RPKI验证BGP路由的AS_PATH是否合法，防止路由劫持。Step2: 智算中心内部AS可信，不需要。Step3: 要求不启用。Step4: 数学表达式：RPKI=disabled。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用RPKI

RPKI、Route Origin Validation

软：无；硬：无；部署：不启用

N-1088

网络适配

智算中心

参数网BGP ASPath Prepending

如何配置AS Path Prepending影响选路

路由·AS Prepending

Step1: 在路由通告中添加额外AS号，增加AS_PATH长度，使该路径优先级降低。Step2: 配置set as-path prepend 64512 64512。Step3: 要求特定路径不被优先选择。Step4: 数学表达式：AS_PATH_length=original_length+Nprepend​。Step5: 若原长度2，prepend 2次，则长度4，BGP倾向于短路径。Step6: 配置：route-map中set as-path prepend。Step7: 推荐：用于流量工程。

AS_PATH长度增加；影响选路

AS Path Prepending、Traffic Engineering

软：交换机配置；硬：RoCE交换机；部署：按需配置

N-1089

网络适配

智算中心

参数网BGP Community NO_EXPORT

如何使用Community NO_EXPORT控制路由传播范围

路由·Community

Step1: NO_EXPORT Community（0xFFFFFF01）表示路由不传播到AS外。Step2: 参数网使用私有AS，不需要。Step3: 要求不启用。Step4: 数学表达式：NO_EXPORT=not_used。Step5: 配置：不配置。Step6: 推荐：不启用。Step7: 验证：无。

不启用NO_EXPORT

BGP Community、NO_EXPORT

软：无；硬：无；部署：不启用

N-1090

网络适配

智算中心

参数网BGP Conditional Advertisement

如何配置条件通告，实现路由备份

路由·Conditional Ad

Step1: 条件通告：只有主路径失效时才通告备份路径。Step2: 配置exist-map和advertise-map。Step3: 要求备份路由在主路径故障后立即生效。Step4: 数学表达式：Advertise=(exist_route==withdrawn)。Step5: 配置：neighbor ... advertise-map BACKUP exist-map PRIMARY。Step6: 推荐：用于出口冗余。Step7: 验证：模拟主路径故障。

主路径失效后立即通告

Conditional Advertisement、Route Backup

软：交换机配置；硬：RoCE交换机；部署：边界

N-1091

网络适配

智算中心

存储网NVMe-oF QoS

如何为NVMe-oF配置QoS，保障关键存储IO的延迟

性能·NVMe QoS

Step1: NVMe-oF支持I/O优先级（紧急、高、中、低）。Step2: 训练数据加载使用高优先级，Checkpoint保存使用低优先级。Step3: 要求训练数据加载延迟<500μs。Step4: 数学表达式：IO_priority={high,low,​training_datacheckpoint​。Step5: 配置：NVMe subsystem中设置IO队列优先级。Step6: 推荐：训练数据加载使用高优先级。Step7: 验证：监控IO延迟。

训练数据高优先级；延迟<500μs

NVMe-oF QoS、I/O Priority

软：NVMe over Fabrics配置；硬：CX存储；部署：存储端

N-1092

网络适配

智算中心

存储网NVMe-oF Namespace共享

如何配置NVMe-oF Namespace被多个计算节点共享

协议·Namespace Sharing

Step1: 创建一个Namespace，映射到多个NVMe控制器，允许多主机同时访问。Step2: 配置NVMe subsystem的NQN和端口。Step3: 要求共享访问一致性。Step4: 数学表达式：Namespace_shared=(Nhosts​>1)。Step5: 配置：nvmetcli中enable。Step6: 推荐：用于共享数据集。Step7: 验证：多节点同时读写测试。

多主机共享；一致性

NVMe-oF Namespace、Sharing

软：nvmetcli；硬：CX存储；部署：存储端

N-1093

网络适配

智算中心

存储网NVMe-oF Asymmetric Namespace Access

如何配置ANA（Asymmetric Namespace Access）实现最优路径

性能·ANA

Step1: ANA允许Namespace在不同控制器上有不同优化路径（optimized/non-optimized）。Step2: 计算节点优先访问优化的控制器路径。Step3: 要求IO延迟降低>20%。Step4: 数学表达式：Path_state={optimized,non−optimized,​preferredbackup​。Step5: 配置：NVMe subsystem设置ANA group。Step6: 推荐：多路径场景启用。Step7: 验证：nvme list-ns查看ANA状态。

优化路径延迟降低>20%

ANA、NVMe-oF Path Optimization

软：nvme-cli；硬：CX存储；部署：存储端

N-1094

网络适配

智算中心

存储网NVMe-oF Persistent Discovery

如何配置持久化发现服务，简化计算节点配置

自动化·Discovery

Step1: 计算节点通过Discovery Controller自动发现存储子系统，无需手动配置NQN。Step2: 配置持久化发现控制器。Step3: 要求发现时间<1s。Step4: 数学表达式：Tdiscover​=Tconnect​+Tquery​。Step5: 若Tconnect​=100ms，Tquery​=200ms，则Tdiscover​=300ms。Step6: 配置：nvme discover -t tcp -a 10.0.0.1。Step7: 推荐：大规模部署使用。

发现<1s；自动配置

NVMe-oF Discovery、Persistent

软：nvme-cli；硬：CX存储；部署：存储端

N-1095

网络适配

智算中心

推理服务Prefix Caching网络优化

如何优化推理时Prefix Caching的跨节点传输

性能·Prefix Caching

Step1: Prefix Caching将公共prompt前缀的KV Cache缓存，减少重复计算。Step2: 缓存命中时需从缓存节点传输KV Cache到推理节点。Step3: 要求传输延迟<10ms。Step4: 数学表达式：Ttransfer​=BWnet​KV_size​。Step5: 若KV_size=100MB，BW=200Gbps=25GB/s，则T=4ms。Step6: 配置：vLLM中enable_prefix_caching。Step7: 推荐：使用高速RDMA网络传输。

传输<10ms；RDMA加速

Prefix Caching、KV Cache Transfer

软：vLLM；硬：RoCE网卡；部署：推理集群

N-1096

网络适配

智算中心

推理服务Speculative Decoding网络影响

如何评估投机解码（Speculative Decoding）对网络的需求

性能·Speculative Decoding

Step1: 投机解码用小模型生成草稿，大模型验证，需要在小模型和大模型之间传输草稿token。Step2: 草稿长度Ldraft​=5，每个token embedding向量大小D=4096。Step3: 要求传输延迟<1ms。Step4: 数学表达式：Data_size=Ldraft​×D×2bytes=5×4096×2=40KB。Step5: 若BW=400Gbps=50GB/s，则T=0.8μs，忽略不计。Step6: 配置：vLLM中speculative_model。Step7: 推荐：小模型与大模型同节点部署。

数据量40KB；延迟可忽略

Speculative Decoding、Draft Model

软：vLLM；硬：GPU；部署：同节点

N-1097

网络适配

智算中心

推理服务Continuous Batching网络带宽

如何评估Continuous Batching对网络带宽的需求

性能·Continuous Batching

Step1: Continuous Batching动态添加/移除请求，每个请求的KV Cache需要传输。Step2: 每请求KV Cache大小Sreq​=1MB，每秒新增请求数R=100。Step3: 要求网络带宽满足峰值。Step4: 数学表达式：BWneed​=R×Sreq​=100MB/s=800Mbps。Step5: 若实际带宽10Gbps，则充裕。Step6: 配置：vLLM中max_num_seqs。Step7: 推荐：使用高速网络避免瓶颈。

带宽需求800Mbps；充裕

Continuous Batching、Bandwidth

软：vLLM；硬：RoCE网卡；部署：推理节点

N-1098

网络适配

智算中心

推理服务LoRA Adapter加载网络

如何优化LoRA Adapter的加载网络，减少冷启动时间

性能·LoRA Loading

Step1: LoRA Adapter文件大小Slora​=100MB，需要从存储加载到GPU。Step2: 要求加载时间<5s。Step3: 数学表达式：Tload​=BWstorage​Slora​​。Step4: 若存储网BW=12.5GB/s，则T=8ms，远小于5s。Step5: 实际瓶颈在GPU加载和预处理。Step6: 配置：Triton中model_repository。Step7: 推荐：本地缓存常用Adapter。

加载<5s；存储网足够

LoRA Adapter、Model Loading

软：Triton、vLLM；硬：CX存储；部署：推理节点

N-1099

网络适配

智算中心

推理服务模型量化网络影响

如何评估模型量化（INT8/FP8）对网络带宽的降低

性能·Quantization

Step1: 量化后模型大小减小，推理时KV Cache和中间结果变小。Step2: 通信量减少比例Cquant​=2（FP16→FP8）。Step3: 要求网络带宽需求减半。Step4: 数学表达式：BWquant​=Cquant​BWfp16​​。Step5: 若FP16推理需100Gbps，FP8只需50Gbps。Step6: 配置：vLLM中quantization参数。Step7: 推荐：量化后网络瓶颈降低。

带宽需求减半；FP8

Quantization、Bandwidth Reduction

软：vLLM、TensorRT-LLM；硬：GPU；部署：推理配置

N-1100

网络适配

智算中心

训练任务数据加载Prefetch网络

如何配置数据预取（Prefetch）流水线，掩盖网络延迟

性能·Data Prefetch

Step1: 使用多线程预取下一批次数据，与当前批次计算重叠。Step2: 预取线程数Nprefetch​=4。Step3: 要求数据加载延迟被完全掩盖。Step4: 数学表达式：Tcompute​≥Tprefetch​=BWstorage​Batch_size×Sample_size​。Step5: 若batch=1MB，BW=12.5GB/s，则Tprefetch​=80μs，远小于计算时间。Step6: 配置：PyTorch DataLoader中num_workers=4。Step7: 推荐：增加prefetch_factor。

预取线程4；掩盖延迟

Data Prefetch、Pipeline

软：PyTorch DataLoader；硬：CX存储；部署：训练脚本

N-1101

网络适配

智算中心

训练任务梯度累积网络优化

如何配置梯度累积减少通信频率

性能·Gradient Accumulation

Step1: 梯度累积将多个micro-batch的梯度累加后再通信，减少通信次数。Step2: 累积步数Nacc​=8，通信频率降低为1/N_acc。Step3: 要求训练吞吐提升>10%。Step4: 数学表达式：Tcomm_total​=Nacc​Tcomm_per_step​​。Step5: 若每步通信100ms，累积8步则通信12.5ms/步。Step6: 配置：DeepSpeed中gradient_accumulation_steps=8。Step7: 推荐：在通信瓶颈时启用。

累积8步；通信频率降低

Gradient Accumulation、Communication Reduction

软：DeepSpeed、Megatron-LM；硬：GPU；部署：训练配置

N-1102

网络适配

智算中心

训练任务ZeRO Stage网络优化

如何配置ZeRO优化器减少显存和通信量

性能·ZeRO

Step1: ZeRO-3将模型状态分片到所有GPU，通信量增加。Step2: ZeRO-1只分片优化器状态，通信量较少。Step3: 要求选择合适Stage平衡显存和通信。Step4: 数学表达式：Comm_volumezero3​=3×model_size×(Ngpu​−1)/Ngpu​。Step5: 若模型175B，N_gpu=1024，则通信量≈525GB。Step6: 配置：DeepSpeed中zero_optimization.stage=2。Step7: 推荐：ZeRO-2平衡较好。

ZeRO-2；通信量与显存平衡

ZeRO、Memory Optimization

软：DeepSpeed；硬：GPU；部署：训练配置

N-1103

网络适配

智算中心

训练任务Sequence Parallelism网络

如何配置Sequence Parallelism减少TP通信

性能·Sequence Parallelism

Step1: Sequence Parallelism将序列维度切分到多个GPU，减少TP通信量。Step2: SP组内通信量Commsp​=2×hidden_size×seq_len/Nsp​。Step3: 要求TP通信减少>50%。Step4: 数学表达式：Commtp_new​=Commtp_old​/Nsp​。Step5: 若原TP通信100MB，N_sp=2，则新50MB。Step6: 配置：Megatron-LM中sequence-parallel。Step7: 推荐：长序列训练必选。

TP通信减少50%；N_sp=2

Sequence Parallelism、TP Reduction

软：Megatron-LM；硬：GPU；部署：训练配置

N-1104

网络适配

智算中心

训练任务Expert Parallelism网络

如何配置MoE的Expert Parallelism，优化All-to-All通信

性能·Expert Parallelism

Step1: MoE模型中专家分布在多个GPU上，前向时需要All-to-All通信。Step2: 通信量Comma2a​=batch_size×topk×expert_hidden/Nep​。Step3: 要求All-to-All带宽利用率>90%。Step4: 数学表达式：BWa2a_util​=Ta2a​×BWlink​Comma2a​​。Step5: 若Comm=1GB，T=1ms，BW_link=400G，则利用率=1GB/0.005s=200GB/s，利用率50%。Step6: 优化：使用NVLink或高速RoCE。Step7: 配置：DeepSpeed-MoE中expert-parallel-size。

利用率>90%；All-to-All

Expert Parallelism、MoE、All-to-All

软：DeepSpeed-MoE；硬：NVLink、RoCE；部署：训练配置

N-1105

网络适配

智算中心

训练任务Pipeline Parallelism Bubble

如何计算Pipeline Parallelism的Bubble占比

性能·PP Bubble

Step1: Pipeline并行中，第一个micro-batch需要经过所有stage才能开始产出，造成气泡。Step2: 气泡占比Bubble=P×M(P−1)×(M−1)​，其中P为stage数，M为micro-batch数。Step3: 要求Bubble<10%。Step4: 数学表达式：若P=8，M=32，则Bubble=(7×31)/(8×32)=217/256≈84.8%，实际Bubble计算方式不同。Step5: 正确公式：Bubble=M+P−1P−1​。Step6: 若P=8，M=32，则Bubble=7/39≈17.9%。Step7: 推荐：增大M降低Bubble。

Bubble=17.9%；P=8，M=32

Pipeline Parallelism、Bubble

软：Megatron-LM；硬：GPU；部署：训练配置

N-1106

网络适配

智算中心

训练任务1F1B调度网络

如何配置1F1B（One Forward One Backward）调度减少内存

性能·1F1B

Step1: 1F1B调度将前向和反向交错执行，减少激活内存。Step2: 需要精确的通信调度。Step3: 要求内存节省>30%。Step4: 数学表达式：Mem1f1b​=Memnaive​×M+P−1P​。Step5: 若P=8，M=32，则Mem_1f1b=Mem_naive×8/39≈20.5%。Step6: 配置：Megatron-LM中pipeline-model-parallel-size。Step7: 推荐：大模型训练必选。

内存节省79.5%；1F1B

1F1B Scheduling、Memory Optimization

软：Megatron-LM；硬：GPU；部署：训练配置

N-1107

网络适配

智算中心

训练任务Virtual Pipeline

如何配置Virtual Pipeline进一步降低Bubble

性能·Virtual Pipeline

Step1: Virtual Pipeline将每个stage划分为多个virtual stage，增加流水线深度。Step2: 气泡占比Bubblevp​=M+Pv​−1Pv​−1​，其中Pv​=P×V。Step3: 要求Bubble<5%。Step4: 数学表达式：若P=8，V=2，M=32，则P_v=16，Bubble=15/47≈31.9%，反而增大？Step5: 实际上Virtual Pipeline是为了提高吞吐，但Bubble公式需调整。Step6: 正确：Virtual Pipeline增加micro-batch数量等效，实际Bubble降低。Step7: 配置：Megatron-LM中virtual-pipeline-model-parallel-size。

Virtual Pipeline；降低Bubble

Virtual Pipeline、Pipeline Depth

软：Megatron-LM；硬：GPU；部署：训练配置

N-1108

网络适配

智算中心

训练任务Activation Checkpointing网络

如何配置Activation Checkpointing减少显存，增加计算

性能·Activation Checkpoint

Step1: Activation Checkpointing不保存中间激活，反向时重新计算。Step2: 增加计算量Cextra​=1.33×，减少显存Memsave​=70%。Step3: 要求显存节省>50%。Step4: 数学表达式：Memcheckpoint​=Memfull​×(1−save_ratio)。Step5: 若save_ratio=0.7，则Mem_checkpoint=0.3×Mem_full。Step6: 配置：PyTorch中torch.utils.checkpoint。Step7: 推荐：显存不足时启用。

显存节省70%；计算增加33%

Activation Checkpointing、Memory Trade-off

软：PyTorch、Megatron-LM；硬：GPU；部署：训练配置

N-1109

网络适配

智算中心

训练任务Mixed Precision Training网络

如何配置混合精度训练（FP16/BF16）减少通信量

性能·Mixed Precision

Step1: FP16/BF16梯度大小为FP32的一半，通信量减半。Step2: 要求训练速度提升>20%。Step3: 数学表达式：Commhalf​=Commfp32​/2。Step4: 若FP32通信100ms，则FP16通信50ms。Step5: 配置：DeepSpeed中fp16.enabled=true。Step6: 推荐：现代GPU都支持。Step7: 验证：检查loss收敛。

通信量减半；速度提升>20%

Mixed Precision、FP16/BF16

软：DeepSpeed、Megatron-LM；硬：GPU；部署：训练配置

N-1110

网络适配

智算中心

训练任务FlashAttention网络

FlashAttention如何减少KV Cache的HBM访问，间接影响网络

性能·FlashAttention

Step1: FlashAttention通过分块计算注意力，减少HBM读写，但计算量略增。Step2: 对网络无直接影响，但可支持更长序列，增加通信量。Step3: 要求序列长度加倍时网络不成为瓶颈。Step4: 数学表达式：Commlong_seq​=Commshort​×(seq_len_ratio)2（注意力二次方）。Step5: 若序列长度从1K到2K，通信量增加4倍。Step6: 配置：Megatron-LM中attention-mask-type flash。Step7: 推荐：长序列训练时关注网络。

序列长度加倍，通信量4倍

FlashAttention、Long Sequence

软：Megatron-LM、vLLM；硬：GPU；部署：训练配置

N-1111

网络适配

智算中心

训练任务通信计算重叠

如何配置通信与计算重叠，隐藏通信延迟

性能·Overlap

Step1: 使用异步通信（NCCL allreduce async）与计算重叠。Step2: 重叠度O=min(1,Tcomm​Tcompute​​)。Step3: 要求通信延迟被完全隐藏。Step4: 数学表达式：Tstep_effective​=max(Tcompute​,Tcomm​)。Step5: 若T_compute=80ms，T_comm=60ms，则T_step=80ms，通信完全隐藏。Step6: 配置：DeepSpeed中communication_data_type。Step7: 推荐：启用异步通信。

通信完全隐藏；重叠度>1

Communication Overlap、Async

软：NCCL、DeepSpeed；硬：GPU；部署：训练配置

N-1112

网络适配

智算中心

训练任务网络拓扑感知通信优化

如何根据GPU拓扑优化通信路径（如ring order）

性能·Topology-aware Comm

Step1: NCCL ring order应按照实际拓扑排列，减少跨NUMA/跨Leaf通信。Step2: 使用NCCL_TOPO_FILE指定拓扑文件。Step3: 要求通信带宽提升>10%。Step4: 数学表达式：BWtopo​=min(BWlocal​,BWremote​)。Step5: 若优化后跨Leaf通信减少，BW提升。Step6: 配置：NCCL_TOPO_DUMP_FILE=topo.xml。Step7: 推荐：训前生成拓扑文件。

带宽提升>10%；拓扑优化

Topology-aware Communication、Ring Order

软：NCCL；硬：GPU、RoCE；部署：训练配置

N-1113

网络适配

智算中心

训练任务网络故障自愈-通信超时

如何配置NCCL通信超时，避免hang

可靠性·NCCL Timeout

Step1: NCCL通信超时Ttimeout​=1800s，超时后触发异常。Step2: 配置NCCL_TIMEOUT=1800。Step3: 要求超时后能自动恢复。Step4: 数学表达式：Thang_detect​=Ttimeout​。Step5: 若网络故障持续30s，则1800s后才检测到，太长。Step6: 优化：使用看门狗或heartbeat。Step7: 推荐：配合CND快速检测。

超时1800s；需配合快速检测

NCCL Timeout、Hang Detection

软：NCCL、CND；硬：GPU；部署：训练配置

N-1114

网络适配

智算中心

训练任务网络故障自愈-通信重试

如何配置NCCL通信重试次数

可靠性·NCCL Retry

Step1: NCCL通信失败时自动重试，默认重试次数Nretry​=3。Step2: 配置NCCL_RETRY_COUNT=5。Step3: 要求最终成功率>99.9%。Step4: 数学表达式：Psuccess​=1−(1−p)Nretry​。Step5: 若单次成功率p=0.9，N_retry=5，则P=0.99999。Step6: 配置：环境变量设置。Step7: 推荐：适当增加重试次数。

重试5次；成功率>99.9%

NCCL Retry、Reliability

软：NCCL；硬：GPU；部署：训练配置

N-1115

网络适配

智算中心

推理服务Disaggregated Serving网络

如何设计分离式推理（prefill+decode分离）的网络拓扑

架构·Disaggregated Serving

Step1: Prefill节点负责prompt处理，产生KV Cache；Decode节点负责token生成，需接收KV Cache。Step2: KV Cache传输需低延迟高带宽，使用RoCE网络。Step3: 要求KV Cache传输延迟<5ms。Step4: 数学表达式：Tkv_transfer​=BWnet​KV_size​。Step5: 若KV_size=1GB，BW=200Gbps=25GB/s，则T=40ms，超过5ms。Step6: 优化：将KV Cache分块流水线传输，与decode计算重叠。Step7: 推荐：Prefill和Decode节点通过高速RoCE直连。

KV传输<5ms；分块流水线

Disaggregated Serving、KV Cache Transfer

软：vLLM、Triton；硬：RoCE网卡；部署：分离式架构

N-1116

网络适配

智算中心

推理服务Prompt Cache网络

如何优化Prompt Cache的跨节点共享，减少重复计算

性能·Prompt Cache

Step1: 公共prompt（如system prompt）的KV Cache可缓存并共享给多个请求。Step2: 缓存命中时需从缓存节点拉取KV Cache。Step3: 要求缓存命中时额外延迟<10ms。Step4: 数学表达式：Tcache_hit​=Tlookup​+Ttransfer​。Step5: 若Tlookup​=1ms，Ttransfer​=5ms（100MB/20GB/s），则T=6ms。Step6: 配置：使用分布式缓存（如Redis）存储KV Cache索引。Step7: 推荐：将热门prompt缓存到本地SSD。

缓存命中延迟<10ms；分布式缓存

Prompt Cache、KV Cache Sharing

软：vLLM、Redis；硬：NVMe SSD；部署：推理集群

N-1117

网络适配

智算中心

推理服务MQA/GQA网络优化

如何优化Multi-Query Attention（MQA）的KV Cache广播

性能·MQA

Step1: MQA中多个head共享一组KV，减少KV Cache大小和广播量。Step2: 广播量Commmqa​=Commmha​/Hkv​，其中Hkv​为KV head数。Step3: 要求广播带宽降低>50%。Step4: 数学表达式：若MHA有32个KV head，MQA有1个KV head，则广播量降低32倍。Step5: 配置：模型架构中设置num_key_value_heads=1。Step6: 推荐：推理场景使用MQA/GQA。Step7: 验证：比较MHA和MQA的通信量。

广播量降低32倍；MQA

MQA、GQA、KV Cache

软：模型配置；硬：GPU；部署：模型训练

N-1118

网络适配

智算中心

推理服务PagedAttention网络

PagedAttention如何影响KV Cache的碎片化和网络传输

性能·PagedAttention

Step1: PagedAttention将KV Cache分页管理，减少碎片，但页表需同步。Step2: 跨节点传输时，页表大小Spage_table​=Npages​×page_entry_size。Step3: 要求页表传输延迟<1ms。Step4: 数学表达式：若Npages​=1000，page_entry=8B，则S=8KB，传输延迟可忽略。Step5: 配置：vLLM中block_size=16。Step6: 推荐：block_size不宜过大。Step7: 验证：监控页表同步开销。

页表8KB；延迟可忽略

PagedAttention、Page Table

软：vLLM；硬：GPU；部署：推理框架

N-1119

网络适配

智算中心

推理服务TensorRT-LLM网络集成

如何配置TensorRT-LLM的多节点推理网络

性能·TensorRT-LLM

Step1: TensorRT-LLM支持多节点TP/PP，使用NCCL通信。Step2: 配置tensor_parallel_size和pipeline_parallel_size。Step3: 要求多节点推理延迟<100ms。Step4: 数学表达式：Linfer​=Lcompute​+Lcomm​。Step5: 若TP=8跨节点，allreduce延迟=20μs×log2(8)=60μs，计算延迟=50ms，则总延迟=50.06ms。Step6: 配置：TensorRT-LLM构建engine时指定并行度。Step7: 推荐：TP尽量在节点内。

跨节点TP延迟60μs；总延迟<100ms

TensorRT-LLM、Multi-node Inference

软：TensorRT-LLM、NCCL；硬：GPU、RoCE；部署：推理集群

N-1120

网络适配

智算中心

训练任务MoE All-to-All通信优化

如何优化MoE模型中All-to-All通信的负载均衡

性能·MoE All-to-All

Step1: MoE的All-to-All通信中，每个GPU向其他GPU发送token，负载可能不均。Step2: 使用动态容量因子（capacity factor）控制每个专家的token数。Step3: 要求各链路负载偏差<10%。Step4: 数学表达式：Capacity=expertstokens_per_batch​×capacity_factor。Step5: 若capacity_factor=1.2，则每个专家最多接收120%的平均token数。Step6: 配置：DeepSpeed-MoE中capacity_factor=1.2。Step7: 推荐：根据实际负载调整。

容量因子1.2；负载偏差<10%

MoE All-to-All、Capacity Factor

软：DeepSpeed-MoE；硬：GPU、RoCE；部署：训练配置

N-1121

网络适配

智算中心

训练任务MoE Token Dropping

如何配置MoE的Token Dropping策略，减少通信量

性能·Token Dropping

Step1: 当某个专家过载时，丢弃部分token，减少通信。Step2: 丢弃率Ddrop​=5%，通信量减少5%。Step3: 要求模型精度下降<0.1%。Step4: 数学表达式：Tokens_kept=Tokens_total×(1−Ddrop​)。Step5: 配置：DeepSpeed-MoE中dropping_strategy=balanced。Step6: 推荐：谨慎使用，可能影响收敛。Step7: 验证：对比训练曲线。

丢弃5%；精度下降<0.1%

Token Dropping、MoE

软：DeepSpeed-MoE；硬：GPU；部署：训练配置

N-1122

网络适配

智算中心

训练任务FSDP通信优化

如何配置Fully Sharded Data Parallel（FSDP）的通信策略

性能·FSDP

Step1: FSDP将模型参数分片到各GPU，前向时all-gather参数，反向时reduce-scatter梯度。Step2: 通信量Commfsdp​=2×model_size×(Ngpu​−1)/Ngpu​。Step3: 要求通信与计算重叠。Step4: 数学表达式：Tcomm_overlap​=max(Tcompute​,Tcomm​)。Step5: 配置：PyTorch FSDP中forward_prefetch=True。Step6: 推荐：大模型使用FSDP+混合精度。Step7: 验证：监控通信占比。

通信量2×模型大小；重叠

FSDP、Sharding

软：PyTorch FSDP；硬：GPU；部署：训练配置

N-1123

网络适配

智算中心

训练任务TorchTitan网络配置

如何配置TorchTitan的分布式训练网络

性能·TorchTitan

Step1: TorchTitan支持多种并行策略组合，使用DTensor和DeviceMesh。Step2: 配置mesh shape为(DP, TP, PP)。Step3: 要求通信拓扑匹配mesh。Step4: 数学表达式：Mesh=(Dsize​,Tsize​,Psize​)。Step5: 配置：device_mesh = init_device_mesh("cuda", (4, 8, 2))。Step6: 推荐：与网络拓扑对齐。Step7: 验证：dist.get_world_size()。

mesh (4,8,2)；拓扑对齐

TorchTitan、DeviceMesh

软：TorchTitan、PyTorch；硬：GPU；部署：训练框架

N-1124

网络适配

智算中心

训练任务JAX网络配置

如何配置JAX的分布式训练网络（pjit/xmap）

性能·JAX

Step1: JAX使用pjit进行分区编译，自动生成通信模式。Step2: 配置mesh和partition_spec。Step3: 要求通信模式与硬件拓扑匹配。Step4: 数学表达式：Partition_spec=(′dp′,′tp′,None)。Step5: 配置：with Mesh(mesh_devices, ('dp', 'tp')):。Step6: 推荐：使用XLA编译器优化。Step7: 验证：jax.debug.visualize_partitioning。

分区规格匹配；XLA优化

JAX、pjit、Mesh

软：JAX、XLA；硬：GPU；部署：训练框架

N-1125

网络适配

智算中心

国产化天数智芯GPU RoCE适配

如何配置天数智芯GPU的RoCE网卡驱动和参数

兼容性·Iluvatar RoCE

Step1: 天数智芯GPU使用自研通信库（BCL），需与RoCE网卡适配。Step2: 安装BCL驱动，配置RoCE参数（PFC、ECN）。Step3: 要求BCL allreduce带宽>90%线速。Step4: 数学表达式：BWbcl​=Tbcl​data_size×(N−1)/N​。Step5: 若data=1GB，N=8，T=2.8ms，则BW=312.5GB/s（聚合），线速400Gbps=50GB/s，单卡50GB/s，8卡聚合400GB/s，312.5/400=78%。Step6: 优化：调整BCL参数（如QP数）。Step7: 推荐：与厂商合作调优。

BCL带宽>90%线速；QP调优

Iluvatar GPU、BCL、RoCE

软：BCL库；硬：天数智芯GPU、RoCE网卡；部署：驱动配置

N-1126

网络适配

智算中心

国产化摩尔线程GPU RoCE适配

如何配置摩尔线程GPU的RoCE网卡驱动和参数

兼容性·Moore Threads RoCE

Step1: 摩尔线程GPU使用MUSA SDK，支持RoCE via MUSALink。Step2: 安装MUSA驱动，配置RoCE。Step3: 要求MUSA allreduce带宽>90%线速。Step4: 数学表达式：BWmusa​=Tmusa​data_size×(N−1)/N​。Step5: 测试方法与天数类似。Step6: 配置：export MUSA_ROCE_ENABLE=1。Step7: 推荐：使用MUSA通信库（MCCL）。

MUSA带宽>90%线速；MCCL

Moore Threads GPU、MUSA、MCCL

软：MUSA SDK、MCCL；硬：摩尔线程GPU、RoCE网卡；部署：驱动配置

N-1127

网络适配

智算中心

国产化GPU异构通信库UCCL调优

如何调优UCCL在国产GPU上的性能

性能·UCCL Tuning

Step1: UCCL支持多种算法（ring、tree、rabenseifner），需选择最优。Step2: 测试不同算法和报文大小的带宽。Step3: 要求UCCL性能>95%原生NCCL。Step4: 数学表达式：Algo_selected=argmaxalgo​BW(algo,size)。Step5: 配置：UCCL_ALGO=ring。Step6: 推荐：使用UCCL的auto-tuning功能。Step7: 验证：运行UCCL benchmark。

性能>95% NCCL；算法选择

UCCL Tuning、Algorithm

软：UCCL；硬：国产GPU、RoCE；部署：环境变量

N-1128

网络适配

智算中心

国产化GPU PCIe带宽测试

如何测试国产GPU的PCIe带宽，确保不成为瓶颈

性能·PCIe Test

Step1: 使用xpu-smi或mx-smi查看PCIe链路信息。Step2: 使用CUDA（或等效）的bandwidthTest测试GPU与CPU间的拷贝带宽。Step3: 要求PCIe带宽≥理论值的90%。Step4: 数学表达式：BWmeasured​=Tcopy​data_size​。Step5: 若理论PCIe 4.0 x16=32GB/s，实测28.8GB/s，则90%达标。Step6: 配置：BIOS中确认PCIe速率。Step7: 推荐：批量测试所有节点。

实测≥90%理论值；PCIe 4.0 x16

PCIe Bandwidth、GPU Test

软：bandwidthTest、xpu-smi；硬：国产GPU；部署：验收测试

N-1129

网络适配

智算中心

国产化GPU NCCL兼容层

如何实现国产GPU的NCCL兼容层，运行主流框架

兼容性·NCCL Compat

Step1: 国产GPU提供NCCL兼容API（如RCCL、MCCL），上层框架无需修改。Step2: 安装兼容库，设置LD_PRELOAD或symlink。Step3: 要求框架（PyTorch）可直接运行。Step4: 数学表达式：API_compat=(function_signature==NCCL)。Step5: 配置：export LD_PRELOAD=/path/to/libmccl.so。Step6: 推荐：使用厂商提供的兼容层。Step7: 验证：运行PyTorch DDP测试。

API兼容；框架无需修改

NCCL Compat、RCCL、MCCL

软：兼容库、PyTorch；硬：国产GPU；部署：环境配置

N-1130

网络适配

智算中心

国产化GPU集合通信benchmark

如何设计国产GPU的集合通信基准测试

测试·Comm Benchmark

Step1: 使用厂商提供的benchmark（如xpu_allreduce_perf、mx_allreduce_perf）。Step2: 测试allreduce、allgather、reduce_scatter等操作。Step3: 要求结果可与NCCL对比。Step4: 数学表达式：BWop​=Top​data_size×(N−1)/N​。Step5: 配置：运行标准测试脚本。Step6: 推荐：记录并归档结果。Step7: 验证：与NVIDIA GPU对比。

与NCCL对比；标准测试

Comm Benchmark、Allreduce

软：厂商benchmark；硬：国产GPU；部署：验收测试

N-1131

网络适配

智算中心

国产化GPU RoCE网卡多队列优化

如何配置国产GPU的RoCE网卡多队列，提升并发

性能·Multi-queue

Step1: 国产GPU的RoCE网卡支持多队列，需配置RSS。Step2: 队列数Nqueue​=8，绑定到不同CPU核。Step3: 要求多队列并发吞吐提升>20%。Step4: 数学表达式：Throughputmq​=min(Nqueue​×BWper_queue​,BWtotal​)。Step5: 配置：ethtool -L eth0 combined 8。Step6: 推荐：队列数等于CPU核数。Step7: 验证：ethtool -l eth0。

队列数8；吞吐提升>20%

Multi-queue、RSS

软：ethtool；硬：RoCE网卡；部署：网卡配置

N-1132

网络适配

智算中心

国产化GPU RoCE网卡中断亲缘性

如何配置中断亲缘性，减少跨NUMA访问

性能·IRQ Affinity

Step1: 将网卡中断绑定到同一NUMA的CPU核。Step2: 使用set_irq_affinity.sh脚本。Step3: 要求跨NUMA中断比例<5%。Step4: 数学表达式：IRQ_NUMA=cpu_core_numa。Step5: 配置：echo 1 > /proc/irq/xxx/smp_affinity。Step6: 推荐：使用irqbalance服务。Step7: 验证：cat /proc/interrupts。

跨NUMA<5%；中断绑定

IRQ Affinity、NUMA

软：irqbalance、脚本；硬：RoCE网卡；部署：OS配置

N-1133

网络适配

智算中心

国产化GPU RDMA内存注册

如何优化国产GPU的RDMA内存注册性能

性能·Memory Registration

Step1: RDMA通信前需注册内存区域（MR），注册耗时Treg​。Step2: 使用内存池预注册，减少动态注册开销。Step3: 要求注册延迟<10μs。Step4: 数学表达式：Treg_pool​=Treg_once​/Nuse​。Step5: 若一次注册100μs，池中复用100次，则平均1μs。Step6: 配置：UCCL中启用内存池。Step7: 推荐：大块连续内存预注册。

注册延迟<10μs；内存池

Memory Registration、MR Pool

软：UCCL、ibv_reg_mr；硬：RoCE网卡；部署：通信库配置

N-1134

网络适配

智算中心

国产化GPU RDMA GDR

如何配置国产GPU的GPU Direct RDMA（GDR）

性能·GPU Direct RDMA

Step1: GDR允许网卡直接读写GPU显存，绕过CPU。Step2: 需要BAR映射和驱动支持。Step3: 要求GDR带宽>90%网卡线速。Step4: 数学表达式：BWgdr​=Tgdr​data_size​。Step5: 配置：mlxconfig set MLX5_GDR_ENABLE=1。Step6: 推荐：国产GPU需确认支持。Step7: 验证：运行GDR benchmark。

GDR带宽>90%线速；BAR映射

GPU Direct RDMA、BAR

软：网卡驱动；硬：国产GPU、RoCE网卡；部署：BIOS/驱动配置

N-1135

网络适配

智算中心

网络自动化混沌工程

如何设计网络混沌工程，验证故障自愈能力

测试·Chaos Engineering

Step1: 定期注入网络故障（丢包、延迟、链路down），观察系统反应。Step2: 使用tc或chaosblade模拟故障。Step3: 要求故障恢复时间<5分钟。Step4: 数学表达式：Trecovery​=Tinject​+Tdetect​+Theal​。Step5: 若注入延迟100ms，检测2s，恢复3s，则总时间5s。Step6: 配置：SA分析器集成混沌实验。Step7: 推荐：每周执行一次。

恢复<5min；模拟故障

Chaos Engineering、Fault Injection

软：chaosblade、tc；硬：RoCE网络；部署：自动化测试

N-1136

网络适配

智算中心

网络容量规划模型

如何建立网络容量规划模型，预测未来带宽需求

规划·Capacity Planning

Step1: 根据GPU增长率和训练任务带宽需求预测。Step2: 年增长率G=50%，当前带宽BWcur​=100Tbps。Step3: 要求规划提前1年。Step4: 数学表达式：BWfuture​=BWcur​×(1+G)Y。Step5: 若Y=1，则BW_future=150Tbps。Step6: 配置：规划时预留20%余量。Step7: 推荐：每年更新规划。

年增长50%；预留20%余量

Capacity Planning、Growth Model

软：规划工具；硬：交换机、光模块；部署：规划流程

N-1137

网络适配

智算中心

网络成本优化模型

如何优化网络建设成本，平衡性能和投资

规划·Cost Optimization

Step1: 比较不同方案：400G vs 800G，多模 vs 单模。Step2: 成本函数C=Csw​+Coptics​+Cfiber​+Cpower​。Step3: 要求单位带宽成本最低。Step4: 数学表达式：Cost_per_Gbps=BWtotal​Ctotal​​。Step5: 若400G方案总成本1亿，带宽100T，则100元/Gbps；800G方案1.5亿，带宽200T，则75元/Gbps。Step6: 推荐：选择800G。Step7: 验证：TCO分析。

单位带宽成本最低；TCO

Cost Optimization、TCO

软：成本模型；硬：网络设备；部署：采购决策

N-1138

网络适配

智算中心

网络绿色节能设计

如何设计节能网络，降低PUE

规划·Green Networking

Step1: 使用低功耗交换机、智能风扇、端口休眠。Step2: 功耗模型P=Pbase​+Pper_port​×Nactive​。Step3: 要求PUE<1.2。Step4: 数学表达式：PUE=Pit​Ptotal​​。Step5: 若IT设备功耗10MW，总功耗11.5MW，则PUE=1.15。Step6: 配置：启用EEE（Energy Efficient Ethernet）。Step7: 推荐：使用液冷交换机。

PUE<1.2；EEE

Green Networking、PUE

软：电源管理；硬：低功耗交换机；部署：机房设计

N-1139

网络适配

智算中心

网络自动化验证框架

如何设计网络配置变更的自动化验证流程

自动化·Validation

Step1: 配置变更前在测试环境预演，验证连通性、性能、安全。Step2: 使用Batfish或pyATS进行静态分析。Step3: 要求验证时间<10分钟。Step4: 数学表达式：Tvalidate​=Tparse​+Tanalyze​+Ttest​。Step5: 若Tparse​=1min，Tanalyze​=3min，Ttest​=5min，则T=9min。Step6: 配置：CI/CD pipeline集成。Step7: 推荐：变更前必须通过验证。

验证<10min；静态+动态测试

Automation Validation、Batfish

软：Batfish、pyATS；硬：无；部署：DevOps流程

N-1140

网络适配

智算中心

网络配置回滚自动化

如何设计网络配置变更失败时的自动回滚

自动化·Rollback

Step1: 变更前备份当前配置，变更后监控关键指标（连通性、丢包率）。Step2: 若指标异常，自动回滚到备份配置。Step3: 要求回滚时间<1分钟。Step4: 数学表达式：Trollback​=Tdetect​+Tapply_backup​。Step5: 若Tdetect​=30s，Tapply​=20s，则T=50s。Step6: 配置：SE控制器支持配置回滚。Step7: 推荐：关键变更启用自动回滚。

回滚<1min；自动检测

Configuration Rollback、Automation

软：SE控制器；硬：RoCE交换机；部署：变更流程

N-1141

网络适配

智算中心

网络数字孪生

如何构建网络数字孪生，用于仿真和预测

规划·Digital Twin

Step1: 使用网络仿真平台（如NS-3、OMNeT++）建立数字孪生模型。Step2: 导入真实拓扑、流量模型、配置。Step3: 要求仿真精度>90%。Step4: 数学表达式：(Accuracy = 1 - \frac{

Sim_metric - Real_metric

}{Real_metric})。Step5: 若仿真延迟10μs，实际9.5μs，则精度=1-0.5/9.5=94.7%。Step6: 配置：定期同步真实数据到孪生模型。Step7: 推荐：用于what-if分析和容量规划。

精度>90%；仿真

N-1142

网络适配

智算中心

网络AI智能运维

如何利用AI进行网络异常检测和根因分析

运维·AIOps

Step1: 收集网络指标（延迟、丢包、流量），使用孤立森林或LSTM检测异常。Step2: 异常时自动关联告警，定位根因。Step3: 要求根因定位准确率>80%。Step4: 数学表达式：Root_cause=argmaxnode​anomaly_scorenode​。Step5: 配置：SA分析器集成ML模型。Step6: 推荐：从简单规则开始，逐步引入AI。Step7: 验证：历史故障复盘。

定位准确率>80%；AI模型

AIOps、Anomaly Detection

软：SA分析器、Python ML；硬：无；部署：SA集成

N-1143

网络适配

智算中心

网络知识图谱

如何构建网络知识图谱，辅助故障排查

运维·Knowledge Graph

Step1: 将网络设备、链路、配置、告警、工单等实体和关系构建成知识图谱。Step2: 使用Neo4j存储，SPARQL查询。Step3: 要求故障关联查询时间<1s。Step4: 数学表达式：Query_result=graph.query("MATCH...WHERE...")。Step5: 配置：SE控制器集成知识图谱。Step6: 推荐：积累历史故障案例。Step7: 验证：输入故障现象，输出根因建议。

查询<1s；图数据库

Knowledge Graph、Neo4j

软：Neo4j、SE控制器；硬：无；部署：运维平台

N-1144

网络适配

智算中心

网络技能传承与培训

如何设计网络运维知识的沉淀和培训体系

运维·Knowledge Transfer

Step1: 将网络设计、配置、故障案例整理为文档和视频教程。Step2: 搭建Wiki和模拟环境供练习。Step3: 要求新员工上手时间<1个月。Step4: 数学表达式：Tonboard​=Tstudy​+Tpractice​。Step5: 配置：使用Confluence和GNS3。Step6: 推荐：定期组织培训和考核。Step7: 验证：新员工独立处理故障。

上手<1月；模拟环境

Knowledge Transfer、Training

软：Confluence、GNS3；硬：无；部署：团队建设

N-1145

网络适配

智算中心

多数据中心互联（DCI）带宽规划

如何规划两个智算中心之间的DCI带宽，满足分布式训练需求

规划·DCI Bandwidth

Step1: 分布式训练跨数据中心时，参数同步需要DCI带宽。Step2: 每GPU需要带宽BWper_gpu​=400Gbps，跨DC通信比例Rcross​=10%。Step3: 要求DCI带宽满足峰值。Step4: 数学表达式：BWdci​=Ngpu​×BWper_gpu​×Rcross​。Step5: 若Ngpu​=16000，则BWdci​=16000×400G×0.1=640Tbps。Step6: 实际受限于光传输系统，建议采用波分复用（DWDM）。Step7: 推荐：DCI带宽预留20%余量。

DCI带宽640Tbps；跨DC通信10%

DCI、Distributed Training、DWDM

软：光传输网管；硬：DWDM设备、ROADM；部署：跨DC互联

N-1146

网络适配

智算中心

多数据中心互联时延要求

如何确定DCI的最大单向时延，保证训练收敛

性能·DCI Latency

Step1: 分布式训练中梯度同步对时延敏感，时延过大降低效率。Step2: 要求DCI单向时延Ldci​<1ms（同城）或<10ms（异地）。Step3: 数学表达式：Ldci​=c×nDistance​+Tprocessing​。Step4: 若距离100km，光纤折射率n=1.5，光速c=3e5km/s，则传播时延=100/(3e5/1.5)=0.5ms，加上处理0.1ms，总0.6ms。Step5: 配置：选择最短光纤路径。Step6: 推荐：同城DC间距<50km。Step7: 验证：使用OWAMP测量。

同城<1ms；异地<10ms；距离100km时0.6ms

DCI Latency、Training Efficiency

软：OWAMP、TWAMP；硬：光传输设备；部署：链路规划

N-1147

网络适配

智算中心

多数据中心互联可靠性

如何设计DCI的冗余保护，避免单点故障

可靠性·DCI Protection

Step1: DCI链路采用1+1或1:1保护，主备路径自动切换。Step2: 保护倒换时间Tswitch​<50ms。Step3: 要求业务不中断。Step4: 数学表达式：Tswitch​=Tdetect​+Tprotection​。Step5: 若采用OTN的APS，检测10ms，切换20ms，则总30ms。Step6: 配置：光层1+1保护。Step7: 推荐：至少两条物理路径。

切换<50ms；1+1保护

DCI Protection、APS

软：光传输网管；硬：OTN设备；部署：光缆双路由

N-1148

网络适配

智算中心

多数据中心互联加密

如何对DCI流量进行加密，满足安全合规

安全·DCI Encryption

Step1: DCI承载训练数据和模型参数，需加密传输。Step2: 使用MACsec或IPsec加密，加密开销Oenc​=5%。Step3: 要求加密后带宽损失<10%。Step4: 数学表达式：BWenc​=BWraw​×(1−Oenc​)。Step5: 若原始640Tbps，加密后608Tbps。Step6: 配置：DWDM设备内置加密板卡。Step7: 推荐：采用AES-256加密。

带宽损失5%；AES-256

DCI Encryption、MACsec

软：加密管理；硬：加密板卡；部署：DCI端点

N-1149

网络适配

智算中心

多数据中心互联时钟同步

如何实现跨DC的高精度时钟同步，支持PTP

性能·Clock Sync

Step1: 分布式训练需要跨DC时间同步，用于trace和调试。Step2: 使用PTP over DCI，精度要求<1μs。Step3: 数学表达式：Tsync_error​=Tprop_asymmetry​+Ttimestamp_error​。Step4: 若光纤不对称性补偿后误差200ns，时间戳误差100ns，则总300ns。Step5: 配置：边界时钟（BC）或透明时钟（TC）。Step6: 推荐：每个DC部署PTP Grandmaster。Step7: 验证：pmc -u -b 0 'GET CURRENT_DATA_SET'。

精度<1μs；PTP BC/TC

PTP、Clock Synchronization

软：linuxptp；硬：PTP交换机、GNSS；部署：DC间同步

N-1150

网络适配

智算中心

网络安全等级保护（等保2.0）网络要求

如何满足等保2.0对智算中心网络的安全要求

安全·Level Protection

Step1: 等保2.0要求网络区域划分、访问控制、入侵防范、审计。Step2: 参数网和存储网划入安全计算环境，业务网划入安全区域边界。Step3: 要求审计日志保存≥6个月。Step4: 数学表达式：Log_storage=Ndevices​×log_rate×180days。Step5: 若600台交换机，每台每天1GB日志，则6个月需600×1×180=108TB。Step6: 配置：部署堡垒机、IDS/IPS、日志审计系统。Step7: 推荐：通过等保三级测评。

日志保存6个月；108TB

Level Protection、Security Compliance

软：日志审计、堡垒机；硬：IDS/IPS；部署：安全架构

N-1151

网络适配

智算中心

网络安全态势感知

如何构建网络态势感知平台，实时监控安全事件

安全·Situational Awareness

Step1: 采集网络流量、日志、告警，通过大数据分析识别威胁。Step2: 要求威胁检出率>95%，误报率<5%。Step3: 数学表达式：Detection_rate=TP+FNTP​。Step4: 配置：部署SIEM（如Splunk）或SOC平台。Step5: 推荐：结合UEBA行为分析。Step6: 验证：红蓝对抗测试。Step7: 数据源：NetFlow、Syslog、SNMP Trap。

检出率>95%；误报率<5%

Situational Awareness、SIEM

软：Splunk、ELK；硬：无；部署：安全运营中心

N-1152

网络适配

智算中心

网络安全微分段

如何在智算中心内部实施微分段（Micro-segmentation）

安全·Micro-seg

Step1: 基于租户或应用划分安全组，限制东西向流量。Step2: 使用VXLAN+ACL或分布式防火墙。Step3: 要求租户间零信任。Step4: 数学表达式：Policy=deny_all except_allowed。Step5: 配置：在Leaf上应用ACL或使用软件定义防火墙。Step6: 推荐：参数网和存储网默认隔离。Step7: 验证：租户间ping不通。

默认拒绝；白名单

Micro-segmentation、Zero Trust

软：SDN控制器、防火墙；硬：RoCE交换机；部署：全网策略

N-1153

网络适配

智算中心

网络安全DDoS防护

如何防御针对智算中心网络的DDoS攻击

安全·DDoS

Step1: DDoS攻击可能来自外部或内部（如恶意租户）。Step2: 在边界部署Anti-DDoS设备，清洗异常流量。Step3: 要求攻击流量清洗能力>1Tbps。Step4: 数学表达式：Clean_capacity=∑Nscrubber​×BWper_scrubber​。Step5: 若4台清洗设备各400G，则总1.6Tbps。Step6: 配置：BGP Flowspec引流到清洗中心。Step7: 推荐：云清洗+本地清洗结合。

清洗能力>1Tbps；BGP Flowspec

DDoS Mitigation、Scrubbing Center

软：Anti-DDoS控制器；硬：清洗设备；部署：互联网边界

N-1154

网络适配

智算中心

网络安全零信任网络访问

如何实现智算中心的零信任网络访问（ZTNA）

安全·ZTNA

Step1: 所有访问请求都需要认证和授权，不信任任何网络。Step2: 部署身份代理（如Cloudflare Access）或SDP。Step3: 要求访问延迟增加<10ms。Step4: 数学表达式：Taccess​=Tauth​+Tproxy​。Step5: 若Tauth​=5ms，Tproxy​=3ms，则T=8ms。Step6: 配置：管理面和业务面均启用ZTNA。Step7: 推荐：先对管理面实施。

延迟增加<10ms；SDP

Zero Trust、SDP

软：身份提供商、SDP网关；硬：无；部署：管理网络

N-1155

网络适配

智算中心

IPv6单栈改造对参数网的影响

如何将参数网从IPv4迁移到IPv6单栈

协议·IPv6 Migration

Step1: IPv6地址空间充足，可简化地址规划。Step2: 参数网使用IPv6地址，RoCEv2支持IPv6。Step3: 要求迁移过程中业务不中断。Step4: 数学表达式：Address_spacev6​=264≫2v432​。Step5: 配置：双栈过渡，逐步关闭IPv4。Step6: 推荐：新建集群直接使用IPv6。Step7: 验证：NCCL allreduce over IPv6。

双栈过渡；地址空间无限

IPv6 Single Stack、RoCEv2

软：NCCL、UCCL；硬：RoCE交换机；部署：逐步迁移

N-1156

网络适配

智算中心

IPv6地址自动配置

如何利用SLAAC或DHCPv6自动配置参数网IPv6地址

自动化·IPv6 Autoconfig

Step1: 使用SLAAC（无状态）或DHCPv6（有状态）分配IPv6地址。Step2: 参数网使用静态地址，但可通过DHCPv6分配。Step3: 要求地址分配时间<1s。Step4: 数学表达式：Tassign​=Tsolicit​+Tadvertise​+Trequest​+Treply​。Step5: 若RTT=1ms，则总<10ms。Step6: 配置：SE控制器作为DHCPv6服务器。Step7: 推荐：使用静态地址避免依赖DHCP。

分配<1s；DHCPv6

IPv6 Autoconfiguration、SLAAC

软：SE控制器、DHCPv6；硬：RoCE网卡；部署：可选

N-1157

网络适配

智算中心

IPv6安全邻居发现（SEND）

如何配置SEND防止IPv6邻居欺骗

安全·SEND

Step1: SEND使用加密生成地址（CGA）和RSA签名保护NDP。Step2: 参数网物理安全，可不启用。Step3: 要求不启用。Step4: 数学表达式：SEND=disabled。Step5: 配置：不配置。Step6: 推荐：不启用，使用RA Guard。Step7: 验证：无。

不启用SEND

SEND、CGA

软：无；硬：无；部署：不启用

N-1158

网络适配

智算中心

意图网络（IBN）实现

如何将网络运维从配置驱动转为意图驱动

自动化·Intent-based Networking

Step1: 管理员声明意图（如“为租户A提供100Gbps带宽”），系统自动翻译为配置。Step2: 持续验证意图是否满足。Step3: 要求意图兑现时间<5分钟。Step4: 数学表达式：Intent_fulfillment=(actual_BW≥requested_BW)∧(latency≤threshold)。Step5: 配置：SE控制器集成意图引擎。Step6: 推荐：从简单的带宽保障开始。Step7: 验证：监控面板显示意图状态。

兑现<5min；持续验证

Intent-based Networking、Closed-loop

软：SE控制器、意图引擎；硬：无；部署：控制器升级

N-1159

网络适配

智算中心

网络自动驾驶分级

如何评估智算中心网络的自动驾驶级别（L0-L5）

规划·Autonomous Driving

Step1: L0人工运维，L1辅助自动化，L2部分自治，L3条件自治，L4高度自治，L5完全自治。Step2: 当前智算中心网络处于L2（部分自治：自动部署、监控、告警）。Step3: 目标L4（自动决策、自愈、优化）。Step4: 数学表达式：Level=f(automation_coverage,decision_autonomy)。Step5: 配置：逐步引入AI运维。Step6: 推荐：3年内达到L3。Step7: 验证：每年评估。

当前L2；目标L4

Autonomous Network、TM Forum

软：AIOps平台；硬：无；部署：演进路线

N-1160

网络适配

智算中心

网络切片在智算中心的应用

如何为不同租户或任务创建独立的网络切片

虚拟化·Network Slicing

Step1: 每个切片拥有独立的VXLAN、QoS、带宽保障。Step2: 使用FlexE或信道化子接口实现物理隔离。Step3: 要求切片间性能互不影响。Step4: 数学表达式：Slicei​=(VNIi​,BWi​,Latencyi​,Priorityi​)。Step5: 配置：SE控制器创建和管理切片。Step6: 推荐：为关键训练任务创建专属切片。Step7: 验证：同时运行多个切片任务。

切片隔离；专属资源

Network Slicing、FlexE

软：SE控制器；硬：支持FlexE的交换机；部署：按需创建

N-1161

网络适配

智算中心

确定性网络（DetNet）支持

如何为实时推理提供确定性低延迟网络

QoS·Deterministic Network

Step1: DetNet通过预留资源和时钟同步，提供有界延迟。Step2: 配置TSN（时间敏感网络）或DetNet over MPLS。Step3: 要求端到端延迟抖动<10μs。Step4: 数学表达式：Jittermax​=max(Li​)−min(Li​)。Step5: 配置：在Leaf出口启用802.1Qbv（时间感知整形）。Step6: 推荐：仅对推理流量启用。Step7: 验证：示波器测量延迟抖动。

抖动<10μs；TSN

Deterministic Network、TSN

软：交换机配置；硬：支持TSN的交换机；部署：推理网络

N-1162

网络适配

智算中心

卫星网络与地面智算中心融合

如何通过卫星链路扩展智算中心到偏远地区

架构·Satellite Integration

Step1: 卫星链路带宽有限（通常<1Gbps），延迟高（>250ms）。Step2: 只能用于非实时任务（如数据上传、模型同步）。Step3: 要求卫星链路利用率>80%。Step4: 数学表达式：BWsat​=500Mbps，RTT=500ms。Step5: 配置：TCP优化（Hybla、BBR）。Step6: 推荐：使用多径卫星+地面混合。Step7: 验证：大文件传输测试。

带宽500Mbps；RTT 500ms

Satellite Communication、Hybrid Network

软：TCP优化；硬：卫星终端；部署：边缘节点

N-1163

网络适配

智算中心

量子密钥分发（QKD）在DCI中的应用

如何利用QKD为DCI链路提供量子安全的加密密钥

安全·QKD

Step1: QKD通过量子态传输密钥，理论上不可窃听。Step2: 密钥生成速率Rkey​=100kbps，需满足加密密钥更新需求。Step3: 要求密钥更新频率>1次/秒。Step4: 数学表达式：Key_bits_per_second=Rkey​。Step5: 若AES-256需要256位密钥，每秒可生成100kbps/256≈390个密钥。Step6: 配置：QKD设备与加密板卡集成。Step7: 推荐：在核心DCI链路上试点。

密钥速率100kbps；AES-256

Quantum Key Distribution、Post-quantum

软：QKD管理软件；硬：QKD设备；部署：DCI试点

N-1164

网络适配

智算中心

网络运维自动化ChatOps

如何通过聊天机器人（如Slack、钉钉）执行网络运维操作

运维·ChatOps

Step1: 集成SE控制器到聊天平台，通过自然语言指令执行操作。Step2: 支持查询状态、执行命令、创建工单。Step3: 要求操作响应时间<5s。Step4: 数学表达式：Tresponse​=Tnlp​+Texec​。Step5: 若Tnlp​=1s，Texec​=2s，则T=3s。Step6: 配置：部署Bot到聊天平台。Step7: 推荐：只开放查询权限，谨慎开放写操作。

响应<5s；自然语言

ChatOps、Bot

软：Slack/钉钉、SE Bot；硬：无；部署：运维工具

N-1165

网络适配

智算中心

网络运维自动化Runbook

如何设计自动化的故障处理Runbook

运维·Runbook

Step1: 将常见故障的处理步骤编写为可执行的Runbook。Step2: 故障触发时自动执行Runbook。Step3: 要求MTTR降低>50%。Step4: 数学表达式：MTTRafter​=MTTRbefore​×(1−reduction)。Step5: 若原来MTTR=2h，降低50%则1h。Step6: 配置：使用Ansible Tower或StackStorm。Step7: 推荐：优先处理高频故障。

MTTR降低50%；自动化执行

Runbook Automation、MTTR

软：Ansible、StackStorm；硬：无；部署：运维平台

N-1166

网络适配

智算中心

网络资产管理与CMDB

如何建立网络配置管理数据库（CMDB）

运维·CMDB

Step1: 自动发现网络设备、链路、配置，存入CMDB。Step2: 关联关系（设备-端口-链路-租户）。Step3: 要求资产数据准确率>99%。Step4: 数学表达式：Accuracy=total_entriescorrect_entries​。Step5: 配置：使用开源iTop或商业ServiceNow。Step6: 推荐：每日自动同步。Step7: 验证：抽样人工核对。

准确率>99%；自动发现

CMDB、Asset Management

软：iTop、ServiceNow；硬：无；部署：运维平台

N-1167

网络适配

智算中心

网络变更管理流程

如何设计标准化的网络变更审批和执行流程

运维·Change Management

Step1: 变更申请→风险评估→审批→实施→验证→关闭。Step2: 使用ITSM工具（如Jira Service Management）。Step3: 要求变更成功率>99%。Step4: 数学表达式：Success_rate=total_changessuccessful_changes​。Step5: 配置：自动化变更与回滚。Step6: 推荐：紧急变更走简化流程。Step7: 验证：月度变更回顾。

成功率>99%；标准化流程

Change Management、ITIL

软：Jira、ServiceNow；硬：无；部署：运维制度

N-1168

网络适配

智算中心

网络性能基线与容量预警

如何建立网络性能基线并设置容量预警

运维·Capacity Alert

Step1: 收集历史流量数据，建立每周/每日基线。Step2: 当前利用率超过基线+3σ时触发预警。Step3: 要求预警提前>7天。Step4: 数学表达式：Alert=(utilcurrent​>meanbaseline​+3×stdbaseline​)。Step5: 配置：SA分析器定时计算基线。Step6: 推荐：结合趋势预测。Step7: 验证：查看预警准确性。

提前7天预警；3σ

Capacity Baseline、Trend Prediction

软：SA分析器；硬：无；部署：监控集成

N-1169

网络适配

智算中心

网络能耗优化策略

如何根据业务负载动态调整网络设备功耗

节能·Dynamic Power

Step1: 低负载时关闭部分端口或降低端口速率。Step2: 使用LLDP和802.3az（EEE）。Step3: 要求不影响业务性能。Step4: 数学表达式：Powerdynamic​=Pbase​+Pper_port​×Nactive​×scaling_factor。Step5: 配置：夜间关闭非关键端口。Step6: 推荐：结合AI预测负载。Step7: 验证：测量PUE变化。

动态调整；不影响性能

Energy Optimization、EEE

软：电源管理软件；硬：支持EEE的交换机；部署：策略配置

N-1170

网络适配

智算中心

网络设备生命周期管理

如何管理网络设备的生命周期（EOL/EOS）

运维·Lifecycle

Step1: 跟踪设备固件版本、保修状态、EOL日期。Step2: 提前12个月规划替换。Step3: 要求无EOL设备运行。Step4: 数学表达式：Remaining_life=EOL_date−current_date。Step5: 配置：CMDB中记录生命周期。Step6: 推荐：每年审计。Step7: 验证：检查EOL设备清单。

提前12月规划；无EOL运行

Lifecycle Management、EOL

软：CMDB、资产管理；硬：网络设备；部署：运维流程

N-1171

网络适配

智算中心

网络供应商管理

如何评估和管理网络设备供应商的服务质量

运维·Vendor Management

Step1: 建立供应商KPI：交付准时率、故障响应时间、解决时间。Step2: 要求RMA响应<4小时，解决<24小时。Step3: 数学表达式：Vendor_score=w1​×delivery+w2​×response+w3​×resolution。Step4: 配置：定期评分。Step5: 推荐：至少两家供应商备份。Step6: 验证：年度供应商评审。

RMA响应<4h；解决<24h

Vendor Management、SLA

软：供应商管理系统；硬：无；部署：采购管理

N-1172

网络适配

智算中心

网络灾备与演练

如何设计网络灾备方案并定期演练

可靠性·Disaster Recovery

Step1: 主备数据中心网络独立，通过DCI同步。Step2: 灾难发生时切换DNS和BGP路由。Step3: 要求RTO<30分钟，RPO<5分钟。Step4: 数学表达式：RTO=Tdetect​+Tdecision​+Tswitch​。Step5: 若Tdetect​=1min，Tdecision​=5min，Tswitch​=10min，则RTO=16min。Step6: 配置：定期演练（每季度一次）。Step7: 推荐：自动化切换。

RTO<30min；RPO<5min

Disaster Recovery、Failover

软：DNS、BGP策略；硬：网络设备；部署：灾备中心

N-1173

网络适配

智算中心

网络合规审计

如何通过自动化工具进行网络配置合规审计

安全·Compliance Audit

Step1: 定义合规基线（如密码强度、加密协议、访问控制）。Step2: 自动扫描所有设备配置，比对基线。Step3: 要求不合规项<1%。Step4: 数学表达式：Compliance_rate=total_itemscompliant_items​。Step5: 配置：使用SolarWinds或自研脚本。Step6: 推荐：每月审计。Step7: 验证：生成合规报告。

合规率>99%；自动扫描

Compliance Audit、Baseline

软：SolarWinds、Ansible；硬：无；部署：安全运维

N-1174

网络适配

智算中心

网络技术债务管理

如何识别和消除网络中的技术债务（如老旧配置、废弃VLAN）

运维·Tech Debt

Step1: 扫描全网配置，识别废弃VLAN、未使用的ACL、过期密码。Step2: 清理计划按风险排序。Step3: 要求技术债务减少>50%/年。Step4: 数学表达式：Debt_ratio=total_configsproblematic_configs​。Step5: 配置：SE控制器提供配置健康度评分。Step6: 推荐：纳入季度运维目标。Step7: 验证：对比前后评分。

债务减少50%/年；配置健康度

Technical Debt、Configuration Hygiene

软：SE控制器；硬：无；部署：运维治理

N-1175

网络适配

智算中心

网络测试自动化框架

如何设计网络自动化测试框架，覆盖功能、性能、可靠性

测试·Automation Framework

Step1: 使用pytest或Robot Framework编写测试用例，覆盖连通性、带宽、延迟、容错。Step2: 测试用例自动执行，结果自动对比基线。Step3: 要求测试覆盖率>90%。Step4: 数学表达式：Coverage=total_casespassed_cases​。Step5: 配置：CI/CD pipeline中集成。Step6: 推荐：每次网络变更后自动触发。Step7: 验证：测试报告自动生成。

覆盖率>90%；自动触发

Test Automation、pytest

软：pytest、Robot Framework；硬：无；部署：DevOps流程

N-1176

网络适配

智算中心

多租户网络计费模型

如何根据租户网络使用量进行计费

运营·Usage Billing

Step1: 计费因子：带宽占用、时长、QoS等级。Step2: 计费公式Cost=BWavg​×Tduration​×Priceper_unit​。Step3: 要求计费准确率>99%。Step4: 数学表达式：Cost=∫0T​BW(t)dt×P。Step5: 配置：SA分析器采集流量数据，对接计费系统。Step6: 推荐：支持预付费和后付费。Step7: 验证：账单与实际用量对比。

计费准确率>99%；带宽×时长

Usage Billing、Metering

软：SA分析器、计费系统；硬：无；部署：运营平台

N-1177

网络适配

智算中心

网络可视化大屏

如何设计网络运维可视化大屏，展示关键指标

运维·Dashboard

Step1: 展示拓扑、链路利用率、设备健康度、告警统计。Step2: 数据刷新周期<5s。Step3: 要求大屏加载时间<3s。Step4: 数学表达式：Refresh_interval=5s。Step5: 配置：使用Grafana或自研前端。Step6: 推荐：支持钻取到详细页面。Step7: 验证：用户反馈易用性。

刷新5s；加载<3s

Visualization、Dashboard

软：Grafana、ECharts；硬：大屏显示器；部署：NOC

N-1178

网络适配

智算中心

AI驱动的流量预测

如何利用LSTM预测未来1小时的网络流量

预测·Traffic Forecast

Step1: 输入历史流量时序（过去7天），预测未来1小时。Step2: 模型使用LSTM，输入维度=168（小时）×24（天）=4032点。Step3: 要求预测MAPE<10%。Step4: 数学表达式：(MAPE = \frac{1}{N}\sum

\frac{actual - predicted}{actual}

)。Step5: 配置：SA分析器集成预测模型。Step6: 推荐：用于容量规划和告警。Step7: 验证：对比预测与实际。

MAPE<10%；LSTM

N-1179

网络适配

智算中心

网络故障根因分析因果图

如何构建因果图（Causal Graph）辅助根因定位

运维·Causal Graph

Step1: 从历史告警和故障数据中学习因果关系。Step2: 构建有向无环图（DAG），节点为指标，边为因果方向。Step3: 要求根因定位Top3准确率>85%。Step4: 数学表达式：Root_cause=argmaxnode​PageRank(node)。Step5: 配置：使用PC算法或NOTEARS学习因果结构。Step6: 推荐：结合专家知识修正。Step7: 验证：历史故障复盘。

Top3准确率>85%；因果图

Causal Discovery、Root Cause Analysis

软：SA分析器、Python（causal-learn）；硬：无；部署：SA集成

N-1180

网络适配

智算中心

网络配置漂移检测

如何检测网络配置的意外变更（漂移）

运维·Config Drift

Step1: 定期（每小时）采集设备配置，与基线比对。Step2: 差异部分标记为漂移。Step3: 要求漂移检测时间<1小时。Step4: 数学表达式：Drift=configcurrent​−configbaseline​。Step5: 配置：SE控制器定时任务。Step6: 推荐：漂移自动告警并回滚。Step7: 验证：模拟配置变更测试。

检测<1h；自动告警

Configuration Drift、Baseline

软：SE控制器；硬：RoCE交换机；部署：自动化运维

N-1181

网络适配

智算中心

网络变更影响分析

如何评估网络变更对现有业务的影响范围

运维·Impact Analysis

Step1: 利用网络拓扑和依赖关系，计算变更波及的设备、链路、租户。Step2: 影响范围(Impact = {device, link, tenant

dependent_on_changed_entity})。Step3: 要求分析时间<10s。Step4: 数学表达式：(Impact_size =

N_{affected_devices}

+

N-1182

网络适配

智算中心

网络SLA管理

如何为租户定义和监控网络SLA

运营·SLA Management

Step1: SLA指标：可用性≥99.99%、延迟<10μs、丢包率<1e-6。Step2: 实时监控并计算SLA达标率。Step3: 要求SLA达标率>99.9%。Step4: 数学表达式：SLA_compliance=total_timetime_within_SLA​。Step5: 配置：SA分析器定期生成SLA报告。Step6: 推荐：SLA违约自动触发赔偿。Step7: 验证：第三方审计。

达标率>99.9%；自动报告

SLA Management、Availability

软：SA分析器；硬：无；部署：运营平台

N-1183

网络适配

智算中心

网络设备自动发现与拓扑更新

如何自动发现新加入的网络设备并更新拓扑

自动化·Discovery

Step1: 使用LLDP/CDP/STP协议发现邻居，通过SNMP或NETCONF采集设备信息。Step2: 新设备加入时自动纳入CMDB和监控。Step3: 要求发现时间<5分钟。Step4: 数学表达式：Tdiscover​=Tpoll​+Tparse​+Tupdate​。Step5: 若Tpoll​=2min，Tparse​=1min，Tupdate​=1min，则T=4min。Step6: 配置：SE控制器定时扫描。Step7: 推荐：支持手动确认。

发现<5min；自动纳入

Auto Discovery、LLDP

软：SE控制器、SNMP；硬：RoCE交换机；部署：自动化

N-1184

网络适配

智算中心

网络设备配置合规检查

如何自动检查网络设备配置是否符合安全基线

安全·Compliance Check

Step1: 定义合规规则（如禁用telnet、启用SSHv2、密码加密）。Step2: 自动扫描配置，标记不合规项。Step3: 要求不合规项<1%。Step4: 数学表达式：Violations=count(rulei​==false)。Step5: 配置：使用Ansible或SaltStack的检查模块。Step6: 推荐：每月生成合规报告。Step7: 验证：手动抽查。

不合规<1%；自动扫描

Compliance Check、Security Baseline

软：Ansible、SaltStack；硬：无；部署：安全运维

N-1185

网络适配

智算中心

网络设备固件漏洞扫描

如何自动扫描网络设备固件的已知漏洞（CVE）

安全·Vulnerability Scan

Step1: 采集设备型号和固件版本，与CVE数据库比对。Step2: 高危漏洞触发紧急升级流程。Step3: 要求扫描周期<1周。Step4: 数学表达式：Vulnerabilities=∑cve​match(device_fw,cve_affected)。Step5: 配置：使用Nessus或OpenVAS。Step6: 推荐：与供应商安全公告联动。Step7: 验证：修复后重新扫描。

扫描周期<1周；CVE匹配

Vulnerability Scanning、CVE

软：Nessus、OpenVAS；硬：无；部署：安全运维

N-1186

网络适配

智算中心

网络设备日志异常检测

如何利用机器学习检测交换机日志中的异常模式

运维·Log Anomaly

Step1: 收集syslog，使用word2vec或BERT转换为向量。Step2: 使用孤立森林检测异常日志。Step3: 要求异常检出率>90%。Step4: 数学表达式：Anomaly_score=isolation_forest(log_vector)。Step5: 配置：SA分析器集成日志分析。Step6: 推荐：结合规则引擎减少误报。Step7: 验证：人工复核异常日志。

检出率>90%；ML模型

Log Anomaly Detection、Word2Vec

软：SA分析器、Python sklearn；硬：无；部署：SA集成

N-1187

网络适配

智算中心

网络设备配置版本控制

如何像Git一样管理网络设备配置的版本历史

运维·Config Versioning

Step1: 每次配置变更自动提交到Git仓库，记录变更人和时间。Step2: 支持diff对比和回滚。Step3: 要求版本历史保留≥1年。Step4: 数学表达式：Version_history=Git_commit_log。Step5: 配置：SE控制器集成Git。Step6: 推荐：分支管理（生产、测试）。Step7: 验证：git log查看历史。

保留≥1年；Git集成

Config Versioning、Git

软：Git、SE控制器；硬：无；部署：运维工具

N-1188

网络适配

智算中心

网络设备配置代码审查

如何对网络配置变更进行代码审查（Code Review）

运维·Code Review

Step1: 变更提交后，自动触发Review请求，指派Reviewer。Step2: Review通过后自动部署。Step3: 要求Review时间<4小时。Step4: 数学表达式：Treview​=Tassign​+Tcomment​+Tapprove​。Step5: 配置：使用GitLab/GitHub Pull Request。Step6: 推荐：至少两人Review。Step7: 验证：Review记录存档。

Review<4h；至少两人

Code Review、Peer Review

软：GitLab、GitHub；硬：无；部署：变更流程

N-1189

网络适配

智算中心

网络设备配置自动化生成

如何根据模板和参数自动生成设备配置

自动化·Config Generation

Step1: 使用Jinja2模板，输入参数（IP、VLAN、VNI等）生成配置。Step2: 模板分层：基础模板、角色模板（Leaf/Spine）、租户模板。Step3: 要求配置生成时间<1s/台。Step4: 数学表达式：Tgen​=Ttemplate_render​+Tvariable_substitution​。Step5: 配置：SE控制器内置模板引擎。Step6: 推荐：模板版本管理。Step7: 验证：生成的配置与预期一致。

生成<1s/台；Jinja2

Config Generation、Templating

软：SE控制器、Jinja2；硬：无；部署：自动化

N-1190

网络适配

智算中心

网络设备配置合规修复

如何自动修复不合规的网络配置

自动化·Auto Remediation

Step1: 检测到不合规项后，自动生成修复配置并应用。Step2: 修复前备份，失败自动回滚。Step3: 要求修复成功率>95%。Step4: 数学表达式：Fix_success=attempted_fixessuccessful_fixes​。Step5: 配置：SE控制器集成修复playbook。Step6: 推荐：先修复低风险项。Step7: 验证：修复后重新扫描。

成功率>95%；自动回滚

Auto Remediation、Self-healing

软：SE控制器、Ansible；硬：无；部署：自动化运维

N-1191

网络适配

智算中心

网络设备配置基线管理

如何建立和维护网络配置基线

运维·Baseline Management

Step1: 选定黄金配置作为基线，所有设备配置与基线保持一致。Step2: 基线随版本升级而更新。Step3: 要求配置一致率>99%。Step4: 数学表达式：Consistency=total_devicesdevices_matching_baseline​。Step5: 配置：SE控制器管理基线。Step6: 推荐：基线变更需审批。Step7: 验证：定期审计。

一致率>99%；黄金配置

Baseline Management、Golden Config

软：SE控制器；硬：无；部署：运维规范

N-1192

网络适配

智算中心

网络设备配置合规评分

如何对设备配置进行合规评分，量化安全状态

安全·Compliance Score

Step1: 定义评分规则：每项合规得10分，不合规扣分。Step2: 总分100分，低于80分告警。Step3: 要求平均得分>90。Step4: 数学表达式：Score=100−∑violationsi​×penaltyi​。Step5: 配置：SA分析器计算评分。Step6: 推荐：纳入运维考核。Step7: 验证：评分变化趋势。

平均分>90；量化评分

Compliance Scoring、Quantification

软：SA分析器；硬：无；部署：安全运维

N-1193

网络适配

智算中心

网络设备配置合规报告

如何自动生成网络配置合规报告

安全·Compliance Report

Step1: 每月自动生成报告，包含合规率、不合规项列表、趋势图。Step2: 报告格式PDF/HTML。Step3: 要求生成时间<5分钟。Step4: 数学表达式：Treport​=Tscan​+Trender​。Step5: 配置：SA分析器定时任务。Step6: 推荐：自动发送给管理层。Step7: 验证：报告内容准确。

生成<5min；自动发送

Compliance Report、Automation

软：SA分析器、Jinja2；硬：无；部署：安全运维

N-1194

网络适配

智算中心

网络设备配置合规整改跟踪

如何跟踪不合规项的整改进度

安全·Remediation Tracking

Step1: 不合规项创建工单，分配给责任人，设定截止日期。Step2: 跟踪工单状态（待处理、处理中、已完成）。Step3: 要求整改完成率>95%。Step4: 数学表达式：Completion_rate=total_ticketsclosed_tickets​。Step5: 配置：ITSM系统集成。Step6: 推荐：逾期自动升级。Step7: 验证：复查已整改项。

完成率>95%；工单跟踪

Remediation Tracking、Ticketing

软：ITSM系统；硬：无；部署：安全运维

N-1195

网络适配

智算中心

网络设备配置合规审计日志

如何记录和审计所有配置变更操作

安全·Audit Log

Step1: 所有配置变更（人工或自动）记录到审计日志：谁、什么时间、改了哪里、改了什么。Step2: 日志不可篡改，保存≥2年。Step3: 要求审计日志完整性100%。Step4: 数学表达式：Audit_log=(user,timestamp,device,before,after)。Step5: 配置：SE控制器记录操作日志。Step6: 推荐：日志加密存储。Step7: 验证：随机抽样核对。

保存≥2年；不可篡改

Audit Log、Traceability

软：SE控制器、日志系统；硬：无；部署：安全运维

N-1196

网络适配

智算中心

网络设备配置合规自动化修复策略

如何设计不合规配置的自动修复策略，按风险分级

自动化·Risk-based Remediation

Step1: 高风险（如密码明文）立即自动修复；中风险（如日志未开启）24小时内修复；低风险（如横幅未配置）一周内修复。Step2: 修复顺序按风险降序。Step3: 要求高风险修复时间<1小时。Step4: 数学表达式：Fix_priority=⎩⎨⎧​immediate,24h,7d,​risk=highrisk=mediumrisk=low​。Step5: 配置：SE控制器策略引擎。Step6: 推荐：高风险自动修复需审批。Step7: 验证：检查修复时效。

高风险<1h；分级修复

Risk-based Remediation、Prioritization

软：SE控制器；硬：无；部署：自动化运维

N-1197

网络适配

智算中心

网络设备配置合规豁免管理

如何处理无法修复的合规例外（如遗留设备）

安全·Exception Management

Step1: 申请豁免，说明理由、风险、计划修复时间。Step2: 审批通过后加入豁免列表，定期复审。Step3: 要求豁免比例<5%。Step4: 数学表达式：Exception_rate=total_itemsexempted_items​。Step5: 配置：ITSM系统中管理豁免。Step6: 推荐：豁免最长有效期6个月。Step7: 验证：到期前提醒。

豁免比例<5%；定期复审

Exception Management、Waiver

软：ITSM系统；硬：无；部署：安全运维

N-1198

网络适配

智算中心

网络设备配置合规自助查询

如何让租户自助查询其网络资源的合规状态

运营·Self-service Query

Step1: 租户门户提供合规仪表盘，展示其VXLAN、ACL、QoS配置的合规情况。Step2: 支持导出报告。Step3: 要求查询响应时间<2s。Step4: 数学表达式：Tquery​=Tauth​+Tdb_lookup​+Trender​。Step5: 配置：SE控制器提供API。Step6: 推荐：仅展示租户自身资源。Step7: 验证：租户测试。

响应<2s；租户门户

Self-service、Tenant Portal

软：SE控制器、前端；硬：无；部署：运营平台

N-1199

网络适配

智算中心

网络设备配置合规与CI/CD集成

如何将网络配置合规检查嵌入CI/CD流水线

DevOps·CI/CD Integration

Step1: 代码仓库中网络配置变更触发合规检查。Step2: 检查不通过则阻断合并。Step3: 要求检查时间<1分钟。Step4: 数学表达式：Pipeline_stage=compliance_check。Step5: 配置：GitLab CI中集成SE控制器API。Step6: 推荐：基础设施即代码（IaC）。Step7: 验证：提交不合规配置测试。

检查<1min；阻断合并

CI/CD、Infrastructure as Code

软：GitLab CI、SE控制器；硬：无；部署：DevOps流程

N-1200

网络适配

智算中心

网络设备配置合规与自动化测试

如何将合规检查与自动化测试结合，验证修复效果

测试·Compliance Testing

Step1: 修复后自动执行合规测试用例，验证修复是否生效。Step2: 测试用例覆盖所有合规规则。Step3: 要求测试通过率100%。Step4: 数学表达式：Test_pass=∀rulei​,check(device,rulei​)==true。Step5: 配置：pytest脚本。Step6: 推荐：修复后自动触发。Step7: 验证：测试报告。

通过率100%；自动验证

Compliance Testing、Validation

软：pytest、SE控制器；硬：无；部署：自动化运维

N-1201

网络适配

智算中心

网络设备配置合规与告警联动

如何将合规事件与告警系统联动

运维·Alert Integration

Step1: 检测到不合规项时，自动生成告警并通知相关人员。Step2: 告警级别按风险分级。Step3: 要求告警延迟<1分钟。Step4: 数学表达式：Alert_level=⎩⎨⎧​critical,warning,info,​risk=highrisk=mediumrisk=low​。Step5: 配置：SA分析器集成告警通道（邮件、短信、钉钉）。Step6: 推荐：告警自动关联工单。Step7: 验证：模拟不合规测试。

告警延迟<1min；分级通知

Alert Integration、Notification

软：SA分析器、告警平台；硬：无；部署：运维集成

N-1202

网络适配

智算中心

网络设备配置合规与容量规划

如何利用合规数据辅助网络容量规划

规划·Capacity Planning

Step1: 合规数据中包含端口利用率、ACL规则数、VLAN使用率。Step2: 分析趋势，预测何时达到容量上限。Step3: 要求预测提前>3个月。Step4: 数学表达式：Time_to_exhaustion=Growth_rateCapacity_remaining​。Step5: 配置：SA分析器生成容量报告。Step6: 推荐：提前扩容。Step7: 验证：与实际达到时间对比。

提前3月预测；趋势分析

Capacity Planning、Trend Analysis

软：SA分析器；硬：无；部署：运维规划

N-1203

网络适配

智算中心

网络设备配置合规与成本优化

如何通过合规数据识别成本优化机会

运营·Cost Optimization

Step1: 分析未使用的VLAN、闲置端口、过度配置的QoS策略。Step2: 清理闲置资源，降低License费用。Step3: 要求成本降低>10%。Step4: 数学表达式：Savings=∑resource​costresource​×utilization_rate。Step5: 配置：SA分析器生成优化建议。Step6: 推荐：每季度执行。Step7: 验证：对比优化前后成本。

成本降低>10%；清理闲置

Cost Optimization、Resource Cleanup

软：SA分析器；硬：无；部署：运营管理

N-1204

网络适配

智算中心

网络设备配置合规与知识库

如何将合规知识沉淀为知识库，辅助运维人员

运维·Knowledge Base

Step1: 将合规规则、修复步骤、常见问题整理成知识库文章。Step2: 支持全文检索。Step3: 要求知识库覆盖率>80%。Step4: 数学表达式：Coverage=total_issuesissues_covered_by_kb​。Step5: 配置：Confluence或MediaWiki。Step6: 推荐：运维人员共同维护。Step7: 验证：新员工使用反馈。

覆盖率>80%；全文检索

Knowledge Base、Documentation

软：Confluence、MediaWiki；硬：无；部署：团队建设

N-1205

组网架构

智算中心

Fat-Tree拓扑带宽分析

如何计算Fat-Tree拓扑下Allreduce的bisection带宽

拓扑·Bisection BW

Step1: Fat-Tree中，每个Pod内Leaf数L，Spine数S，收敛比1:1时S=L。Step2: Bisection带宽为跨Pod通信的最大带宽。Step3: 数学表达式：Bbisection​=2S​×BWspine_link​。Step4: 若S=32，Spine链路400G，则Bbisection​=16×400G=6.4Tbps。Step5: Allreduce通信量Vallreduce​=2×(N−1)/N×model_size，要求Vallreduce​/Tallreduce​≤Bbisection​。Step6: 配置：Spine数量需满足bisection带宽≥聚合通信带宽。Step7: 推荐：万卡集群Spine数≥32。

Bisection带宽6.4Tbps；Spine数32

Fat-Tree、Bisection Bandwidth、Allreduce

软：无；硬：Spine交换机；部署：拓扑规划

N-1206

组网架构

智算中心

Dragonfly拓扑延迟分析

如何计算Dragonfly拓扑中Allreduce的跨组延迟

拓扑·Dragonfly Latency

Step1: Dragonfly分为Group，Group内全连接，Group间通过少数Global链路连接。Step2: Allreduce跨Group时需经过2跳Global链路。Step3: 数学表达式：Lcross_group​=2×Lglobal_link​+Lgroup_internal​。Step4: 若Global链路延迟2μs，Group内1μs，则L=5μs。Step5: 相比Fat-Tree（3跳Spine），Dragonfly延迟更低。Step6: 配置：Group内节点数需平衡。Step7: 推荐：延迟敏感场景选择Dragonfly。

跨组延迟5μs；2跳Global

Dragonfly、Latency、Allreduce

软：无；硬：交换机；部署：拓扑选型

N-1207

组网架构

智算中心

Torus拓扑带宽分析

如何计算3D-Torus中Allreduce的最坏情况带宽

拓扑·Torus BW

Step1: 3D-Torus中，每个节点有6个邻居（三维各两个方向）。Step2: Allreduce通信量沿各维度均摊。Step3: 数学表达式：BWtorus​=Ndim​6×BWlink​​（假设均匀分布）。Step4: 若BWlink​=400G，3维，则理想带宽6×400G/3=800G，但实际受限于切割带宽。Step5: 最坏情况：所有通信集中在某一维度，带宽仅为2×BWlink​=800G。Step6: 配置：需配合路由算法避免热点。Step7: 推荐：小规模集群（<1000节点）适用。

最坏800G；3D-Torus

Torus、Bandwidth、Routing

软：无；硬：交换机；部署：拓扑选型

N-1208

组网架构

智算中心

混合拓扑（Fat-Tree+Dragonfly）

如何设计混合拓扑平衡成本和性能

拓扑·Hybrid

Step1: 机柜内使用Fat-Tree（低成本），机柜间使用Dragonfly（低延迟）。Step2: 机柜内Leaf连接Spine，Spine再通过Global链路连接其他机柜。Step3: 要求机柜内带宽>90%线速，机柜间延迟<10μs。Step4: 数学表达式：BWrack_internal​=L×BWleaf​，Linter_rack​=2μs+1μs=3μs。Step5: 配置：机柜内收敛比1:1，机柜间收敛比4:1。Step6: 推荐：大型智算中心采用。Step7: 验证：模拟测试。

机柜内>90%；机柜间<10μs

Hybrid Topology、Fat-Tree+Dragonfly

软：无；硬：交换机；部署：拓扑设计

N-1209

Allreduce

智算中心

Ring Allreduce带宽模型

如何计算Ring Allreduce的理论带宽

通信·Ring Allreduce

Step1: Ring Allreduce分为scatter-reduce和allgather两阶段，每阶段N-1步。Step2: 每步传输数据量Vstep​=NVtotal​​。Step3: 数学表达式：Tring​=2×(N−1)×BWlink​Vtotal​/N​。Step4: 简化后Tring​=2×NN−1​×BWlink​Vtotal​​。Step5: 当N很大时，Tring​≈2×BWlink​Vtotal​​。Step6: 若Vtotal​=1GB，BWlink​=50GB/s，则Tring​=40ms。Step7: 配置：Ring大小N建议为偶数。

时间40ms；带宽50GB/s

Ring Allreduce、Bandwidth Model

软：NCCL；硬：RoCE网卡；部署：算法选择

N-1210

Allreduce

智算中心

Tree Allreduce带宽模型

如何计算Binary Tree Allreduce的理论带宽

通信·Tree Allreduce

Step1: Binary Tree中，叶子节点向上发送，根节点向下广播。Step2: 树高度H=log2​N，每层传输Vtotal​。Step3: 数学表达式：Ttree​=2×H×BWlink​Vtotal​​。Step4: 若N=1024，H=10，则Ttree​=20×Vtotal​/BWlink​。Step5: 相比Ring的2倍，Tree为2log2​N倍，当N大时Tree更差。Step6: 优化：使用k-ary tree减少高度。Step7: 推荐：小规模集群（N<64）使用Tree。

时间20×V/BW；N=1024

Tree Allreduce、Height

软：NCCL；硬：RoCE网卡；部署：算法选择

N-1211

Allreduce

智算中心

Recursive Halving Doubling带宽模型

如何计算Recursive Halving Doubling（RHD）的带宽

通信·RHD

Step1: RHD将节点分成两半递归，每步通信量减半。Step2: 共log2​N步，每步传输Vtotal​/2k。Step3: 数学表达式：Trhd​=∑k=1log2​N​BWlink​Vtotal​/2k−1​=BWlink​2Vtotal​​×(1−N1​)。Step4: 当N大时，Trhd​≈2Vtotal​/BWlink​，与Ring相同。Step5: 但RHD需要节点数为2的幂。Step6: 配置：节点数补零到2的幂。Step7: 推荐：N为2的幂时使用。

时间≈2V/BW；2的幂

Recursive Halving Doubling、Power of Two

软：NCCL；硬：RoCE网卡；部署：算法选择

N-1212

Allreduce

智算中心

Allreduce延迟模型

如何计算Allreduce的延迟（小消息）

通信·Latency Model

Step1: 小消息时延迟主导，带宽影响小。Step2: Ring Allreduce延迟Lring​=2×(N−1)×Lhop​。Step3: 数学表达式：Lhop​=Lser​+Lprop​+Lswitch​。Step4: 若Lser​=0.1μs（小包），Lprop​=0.5μs（10m光纤），Lswitch​=0.5μs，则Lhop​=1.1μs。Step5: 当N=1024时，Lring​=2×1023×1.1μs=2.25ms。Step6: 优化：使用Tree或RHD减少跳数。Step7: 推荐：小消息使用Tree。

延迟2.25ms；N=1024

Allreduce Latency、Hop Latency

软：NCCL；硬：RoCE交换机；部署：算法选择

N-1213

Allreduce

智算中心

多节点Allreduce带宽利用率

如何计算Allreduce的带宽利用率（相对于线速）

性能·Utilization

Step1: 理论带宽BWtheory​=2×Vtotal​/Tcomm​，实际带宽BWactual​。Step2: 利用率U=BWactual​/BWtheory​。Step3: 数学表达式：U=1+Tcomm​Loverhead​​1​。Step4: 若Tcomm​=40ms，Loverhead​=2ms（协议开销），则U=95.2%。Step5: 优化：减少开销（如使用硬件卸载）。Step6: 配置：NCCL中设置NCCL_PROTO=Simple。Step7: 推荐：追求高利用率。

利用率95.2%；开销2ms

Bandwidth Utilization、Overhead

软：NCCL；硬：RoCE网卡；部署：调优

N-1214

Allreduce

智算中心

分级Allreduce（Hierarchical）

如何设计分级Allreduce（节点内NVLink+节点间RoCE）

通信·Hierarchical

Step1: 节点内使用NVLink（600GB/s）进行allreduce，节点间使用RoCE（400Gbps）。Step2: 先节点内reduce-scatter，再节点间allreduce，最后节点内allgather。Step3: 数学表达式：Thier​=Tlocal_rs​+Tglobal_ar​+Tlocal_ag​。Step4: 若节点内8 GPU，NVLink BW=600GB/s，数据1GB，则Tlocal​=2×1GB/600GB/s=3.3ms；节点间16节点，RoCE BW=50GB/s，数据1GB/8=128MB，则Tglobal​=2×128MB/50GB/s=5.12ms；总8.42ms。Step5: 相比纯RoCE（2×1GB/50GB/s=40ms），大幅提升。Step6: 配置：UCCL中启用层次化算法。Step7: 推荐：必须利用NVLink。

总时间8.42ms；提升4.75倍

Hierarchical Allreduce、NVLink+RoCE

软：UCCL；硬：NVLink、RoCE；部署：训练配置

N-1215

Allreduce

智算中心

Allreduce与计算重叠

如何将Allreduce与反向计算重叠，隐藏通信

性能·Overlap

Step1: 反向传播时梯度逐步产生，可边计算边allreduce。Step2: 重叠度O=min(1,Tcomm​Tcompute​​)。Step3: 数学表达式：Tstep_eff​=max(Tcompute​,Tcomm​)。Step4: 若Tcompute​=80ms，Tcomm​=60ms，则Tstep​=80ms，完全隐藏。Step5: 配置：DeepSpeed中overlap_comm=True。Step6: 推荐：启用异步allreduce。Step7: 验证：观察step时间。

完全隐藏；T_compute>T_comm

Overlap、Async Allreduce

软：DeepSpeed、NCCL；硬：GPU；部署：训练配置

N-1216

AlltoAll

智算中心

MoE AlltoAll通信量计算

如何计算MoE模型中AlltoAll的通信量

通信·MoE AlltoAll

Step1: 每个GPU将token发送给对应的专家所在GPU。Step2: 每个GPU发送的token数Tsend​=batch_size×topk/Nexpert​。Step3: 数学表达式：Va2a​=Tsend​×hidden_size×2bytes。Step4: 若batch_size=1024，topk=2，Nexpert​=64，hidden_size=4096，则Tsend​=1024×2/64=32，Va2a​=32×4096×2=262KB。Step5: 每个GPU需要发送和接收，总通信量2×Va2a​×(Nexpert​−1)。Step6: 配置：DeepSpeed-MoE中expert-parallel-size。Step7: 推荐：减少topk或增加expert数以降低通信。

每GPU发送262KB；总通信量

MoE AlltoAll、Communication Volume

软：DeepSpeed-MoE；硬：GPU、RoCE；部署：训练配置

N-1217

AlltoAll

智算中心

AlltoAll带宽模型

如何计算AlltoAll的理论带宽

通信·AlltoAll BW

Step1: AlltoAll中每个节点向其他N-1个节点发送数据，总发送量Vtotal​。Step2: 理想情况下，每个节点同时收发，带宽受限于链路带宽。Step3: 数学表达式：Ta2a​=BWlink​Vtotal​​（假设全双工）。Step4: 若Vtotal​=1GB，BWlink​=50GB/s，则T=20ms。Step5: 实际受限于网络拓扑（如bisection带宽）。Step6: 配置：需确保网络无阻塞。Step7: 推荐：使用全连接拓扑。

时间20ms；1GB数据

AlltoAll Bandwidth、Bisection

软：NCCL；硬：RoCE网络；部署：算法选择

N-1218

AlltoAll

智算中心

AlltoAll延迟模型

如何计算AlltoAll的延迟（小消息）

通信·AlltoAll Latency

Step1: 小消息时，延迟由握手和协议开销主导。Step2: 每个点对点通信延迟Lp2p​，共N-1次。Step3: 数学表达式：La2a​=(N−1)×Lp2p​。Step4: 若Lp2p​=10μs，N=64，则L=630μs。Step5: 优化：使用MPI_Alltoallv的优化实现。Step6: 配置：使用NCCL的alltoall实现。Step7: 推荐：小消息时考虑合并。

延迟630μs；N=64

AlltoAll Latency、Point-to-point

软：NCCL、MPI；硬：RoCE网卡；部署：算法选择

N-1219

AlltoAll

智算中心

MoE AlltoAll负载均衡

如何衡量MoE AlltoAll的负载均衡程度

性能·Load Balance

Step1: 每个专家接收的token数可能不均，导致某些链路拥塞。Step2: 负载均衡度LB=\mean(tokeni​)max(tokeni​)​。Step3: 要求LB<1.2。Step4: 数学表达式：LB=E1​∑i​tokens_received_by_experti​maxi​(tokens_received_by_experti​)​。Step5: 配置：使用auxiliary loss鼓励均衡。Step6: 推荐：容量因子设为1.2。Step7: 验证：监控各专家token数。

LB<1.2；容量因子1.2

Load Balance、Auxiliary Loss

软：DeepSpeed-MoE；硬：GPU；部署：训练配置

N-1220

AlltoAll

智控中心

AlltoAll与Allreduce混合

如何设计MoE+DP混合并行中的通信调度

通信·Hybrid Comm

Step1: MoE使用AlltoAll，DP使用Allreduce，两者可重叠。Step2: 先进行AlltoAll（前向），再进行Allreduce（反向）。Step3: 数学表达式：Tstep​=max(Ta2a_fwd​,Tar_bwd​)。Step4: 若Ta2a​=10ms，Tar​=20ms，则T=20ms。Step5: 优化：将AlltoAll与计算重叠。Step6: 配置：DeepSpeed中调度策略。Step7: 推荐：使用异步通信。

总时间20ms；重叠

Hybrid Communication、Scheduling

软：DeepSpeed；硬：GPU、RoCE；部署：训练配置

N-1221

数据并行

智算中心

数据并行通信量计算

如何计算数据并行中梯度同步的通信量

通信·DP Volume

Step1: 数据并行中，每个GPU计算完整梯度，然后allreduce同步。Step2: 通信量Vdp​=2×model_size×precision_bytes。Step3: 数学表达式：Vdp​=2×M×B。Step4: 若模型175B参数，FP16（2字节），则Vdp​=2×175e9×2=700GB。Step5: 每个step通信700GB，若BW=50GB/s，则T=14s，不可接受。Step6: 优化：使用ZeRO减少通信量。Step7: 推荐：大模型必须使用ZeRO或模型并行。

通信量700GB；14s

Data Parallelism、Gradient Sync

软：DeepSpeed、NCCL；硬：GPU、RoCE；部署：训练配置

N-1222

数据并行

智算中心

数据并行缩放效率

如何计算数据并行的缩放效率（Scaling Efficiency）

性能·Scaling Efficiency

Step1: 缩放效率E=Ngpu​Speedup​。Step2: Speedup受通信开销影响。Step3: 数学表达式：E=1+Tcompute​Tcomm​​1​。Step4: 若Tcomm​=14s，Tcompute​=10s，则E=1/(1+1.4)=41.7%。Step5: 优化：增大batch size或减少通信。Step6: 配置：梯度累积。Step7: 推荐：保持E>80%。

效率41.7%；通信占比大

Scaling Efficiency、Amdahl's Law

软：无；硬：GPU；部署：训练配置

N-1223

数据并行

智算中心

PS架构与Allreduce对比

对比Parameter Server和Allreduce的通信量

架构·PS vs Allreduce

Step1: PS架构中，每个worker发送梯度到server，server更新后广播。Step2: 通信量Vps​=2×M×B×(Nworker​+Nserver​)。Step3: Allreduce通信量Var​=2×M×B。Step4: 当N_worker=1024，N_server=64时，Vps​=2×M×B×1088，远大于Allreduce。Step5: 因此现代训练几乎都用Allreduce。Step6: 配置：使用Allreduce。Step7: 推荐：PS仅用于稀疏模型。

PS通信量1088倍；Allreduce更优

Parameter Server、Allreduce

软：无；硬：无；部署：架构选择

N-1224

模型并行

智算中心

张量并行（TP）通信量计算

如何计算TP中每个Transformer层的通信量

通信·TP Volume

Step1: TP将线性层切分，前向时需要allreduce（或allgather+reduce scatter）。Step2: 每个Transformer层通信量Vtp​=4×hidden_size×seq_len×precision_bytes。Step3: 数学表达式：Vtp​=4×H×S×B。Step4: 若H=12288，S=2048，FP16，则Vtp​=4×12288×2048×2=201MB。Step5: 每个step有L层，总通信量L×Vtp​。Step6: 配置：Megatron-LM中tensor-model-parallel-size。Step7: 推荐：TP组内使用NVLink。

每层201MB；NVLink加速

Tensor Parallelism、Communication

软：Megatron-LM；硬：NVLink；部署：训练配置

N-1225

模型并行

智算中心

张量并行延迟模型

如何计算TP中allreduce的延迟

通信·TP Latency

Step1: TP组内allreduce延迟Ltp​=2×(Ntp​−1)×Lhop​。Step2: 若Ntp​=8，NVLink hop延迟0.5μs，则L=2×7×0.5=7μs。Step3: 若跨节点RoCE，hop延迟5μs，则L=70μs。Step4: 因此TP必须在节点内。Step5: 配置：TP size ≤ 节点内GPU数。Step6: 推荐：TP=8（DGX H100）。Step7: 验证：NCCL allreduce benchmark。

节点内7μs；跨节点70μs

TP Latency、NVLink vs RoCE

软：NCCL；硬：NVLink、RoCE；部署：硬件规划

N-1226

模型并行

智算中心

流水线并行（PP）通信量计算

如何计算PP中相邻stage之间的通信量

通信·PP Volume

Step1: PP中每个micro-batch在stage之间传输activation和gradient。Step2: 通信量Vpp​=2×hidden_size×seq_len×micro_batch_size×precision_bytes。Step3: 数学表达式：Vpp​=2×H×S×M×B。Step4: 若H=12288，S=2048，M=4，FP16，则Vpp​=2×12288×2048×4×2=402MB。Step5: 每个step传输次数=2×(P-1)（前向+反向）。Step6: 配置：Megatron-LM中pipeline-model-parallel-size。Step7: 推荐：PP通信量远小于TP，可跨节点。

每传输402MB；P个stage

Pipeline Parallelism、Activation Transfer

软：Megatron-LM；硬：RoCE；部署：训练配置

N-1227

模型并行

智算中心

流水线并行Bubble计算

如何计算PP的Bubble占比

性能·PP Bubble

Step1: Bubble占比公式Bubble=P×M(P−1)×(M−1)​（错误，实际为M+P−1P−1​）。Step2: 正确公式：Bubble=M+P−1P−1​。Step3: 数学表达式：若P=8，M=32，则Bubble=7/39=17.9%。Step4: 若P=8，M=64，则Bubble=7/71=9.86%。Step5: 增大M可降低Bubble。Step6: 配置：设置micro-batch-size。Step7: 推荐：M≥4×P。

Bubble 17.9%（P=8,M=32）；M越大越好

Pipeline Bubble、Micro-batch

软：Megatron-LM；硬：GPU；部署：训练配置

N-1228

模型并行

智算中心

1F1B调度与通信重叠

如何配置1F1B调度实现通信与计算重叠

性能·1F1B Overlap

Step1: 1F1B调度中，每个stage前向和反向交错，通信（发送activation/gradient）与计算可重叠。Step2: 重叠度取决于通信时间与计算时间的相对大小。Step3: 数学表达式：Tstep_eff​=max(Tcompute_per_micro​,Tcomm_per_micro​)×(M+P−1)。Step4: 若Tcompute​=5ms，Tcomm​=2ms，则每micro-step时间5ms，总时间5×(32+8-1)=195ms。Step5: 配置：Megatron-LM中pipeline-model-parallel-size。Step6: 推荐：通信时间小于计算时间。Step7: 验证：profile step time。

总时间195ms；通信完全隐藏

1F1B、Overlap

软：Megatron-LM；硬：GPU、RoCE；部署：训练配置

N-1229

模型并行

智算中心

虚拟流水线（Virtual Pipeline）

如何通过虚拟流水线进一步降低Bubble

性能·Virtual Pipeline

Step1: Virtual Pipeline将每个stage划分为V个虚拟stage，等效增加流水线深度。Step2: Bubble公式变为Bubblevp​=M+P×V−1P×V−1​。Step3: 若P=8，V=2，M=32，则Bubble=15/47=31.9%，反而增大？Step4: 实际上Virtual Pipeline通过增加微批次数量来降低Bubble，但这里M不变，所以Bubble增大。Step5: 正确用法：保持总micro-batch数不变，但每个virtual stage处理更少的micro-batch，从而减少等待。Step6: 配置：Megatron-LM中virtual-pipeline-model-parallel-size。Step7: 推荐：需仔细调参。

Bubble 31.9%（V=2）；需配合M调整

Virtual Pipeline、Bubble Reduction

软：Megatron-LM；硬：GPU；部署：训练配置

N-1230

模型并行

智算中心

专家并行（EP）通信量计算

如何计算MoE专家并行的通信量

通信·EP Volume

Step1: EP将专家分布到不同GPU，前向时AlltoAll发送token，反向时AlltoAll发送梯度。Step2: 通信量Vep​=2×batch_size×topk×hidden_size×precision_bytes。Step3: 数学表达式：Vep​=2×B×K×H×P。Step4: 若B=1024，K=2，H=4096，FP16，则Vep​=2×1024×2×4096×2=33.5MB。Step5: 每个step一次AlltoAll。Step6: 配置：DeepSpeed-MoE中expert-parallel-size。Step7: 推荐：EP通信量较小，可跨节点。

33.5MB；AlltoAll

Expert Parallelism、MoE

软：DeepSpeed-MoE；硬：GPU、RoCE；部署：训练配置

N-1231

模型并行

智算中心

序列并行（SP）通信量计算

如何计算序列并行的通信量

通信·SP Volume

Step1: 序列并行将序列维度切分，在self-attention前需要allgather，之后reduce scatter。Step2: 通信量Vsp​=2×hidden_size×seq_len/Nsp​×precision_bytes。Step3: 数学表达式：Vsp​=2×H×S/Nsp​×B。Step4: 若H=12288，S=2048，Nsp​=2，FP16，则Vsp​=2×12288×1024×2=50.3MB。Step5: 相比TP，SP通信量更小。Step6: 配置：Megatron-LM中sequence-parallel。Step7: 推荐：长序列训练必选。

50.3MB；N_sp=2

Sequence Parallelism、Communication

软：Megatron-LM；硬：GPU、RoCE；部署：训练配置

N-1232

模型并行

智算中心

上下文并行（CP）通信量

如何计算上下文并行（Context Parallelism）的通信量

通信·CP Volume

Step1: CP将长序列切分到多个GPU，每个GPU处理一段，通过allgather获取完整KV Cache。Step2: 通信量Vcp​=2×hidden_size×seq_len×layers×precision_bytes/Ncp​。Step3: 数学表达式：Vcp​=2×H×S×L×B/Ncp​。Step4: 若H=12288，S=128K，L=80，Ncp​=8，FP16，则Vcp​=2×12288×128K×80×2/8=629GB，极大。Step5: 优化：使用Ring attention减少单次通信量。Step6: 配置：Ring Attention实现。Step7: 推荐：超长序列（>128K）使用。

629GB；N_cp=8

Context Parallelism、Ring Attention

软：Ring Attention、vLLM；硬：GPU、RoCE；部署：训练配置

N-1233

模型并行

智算中心

混合并行通信占比分析

如何计算DP+TP+PP+EP混合并行中各部分的通信占比

性能·Communication Profile

Step1: 总通信时间Tcomm​=Tdp_ar​+Ttp_ar​+Tpp_p2p​+Tep_a2a​。Step2: 各部分占比Rx​=Tx​/Tcomm​。Step3: 数学表达式：Tdp_ar​=2×M×B/BWdp​，Ttp_ar​=4×H×S×L×B/BWtp​，Tpp_p2p​=2×(P−1)×Vpp​/BWpp​，Tep_a2a​=2×B×K×H×B/BWep​。Step4: 典型值：M=175B，H=12288，S=2048，L=80，P=8，K=2，BW_dp=50GB/s，BW_tp=600GB/s（NVLink），BW_pp=50GB/s，BW_ep=50GB/s。Step5: 计算得T_dp=14s，T_tp=0.02s，T_pp=0.04s，T_ep=0.003s，可见DP占绝对主导。Step6: 优化：使用ZeRO减少DP通信。Step7: 推荐：大模型必须使用ZeRO或TP/PP。

DP占99%；TP/PP极小

Communication Profile、Bottleneck

软：Profiler；硬：GPU、RoCE；部署：训练分析

N-1234

模型并行

智算中心

并行策略选择指南

如何根据模型规模和集群拓扑选择最优并行策略

架构·Strategy Selection

Step1: 小模型（<1B）：DP足够。Step2: 中等模型（1B-10B）：DP+TP（TP=8节点内）。Step3: 大模型（10B-100B）：DP+TP+PP（PP跨节点）。Step4: 超大模型（>100B）：DP+TP+PP+EP（MoE）。Step5: 数学表达式：Memory_per_gpu=DP×TP×PPmodel_size​×(1+overhead)。Step6: 若模型175B，DP=64，TP=8，PP=16，则每GPU显存=175e9/(64 * 8 * 16)2bytes=42.7GB，可行。Step7*: 推荐：使用自动并行工具（如Galvatron）。

每GPU 42.7GB；并行度乘积

Strategy Selection、Auto Parallelism

软：Galvatron、Megatron-LM；硬：GPU；部署：训练规划