Translation(model translation, not the source's own text)
计算机科学 > 网络与互联网架构
标题:为 AI 超级计算机配置网络:前所未有的规模下性能敏感性的痕迹驱动研究
摘要:超级计算机上的 AI 工作负载使互连性能成为首要的设计约束。仅凭硬件规格和微基准测试无法展现真实工作负载如何响应延迟、带宽和抖动。我们提出了一项痕迹驱动的研究,考察在最高达 4,096 块 GPU 的规模下训练和推理工作负载的网络敏感性。我们的方法将基于签名的痕迹分解与线性规划相结合,使广泛的网络参数扫描变得可行。它保留了记录的 NCCL 调度和程序依赖关系,并在 LogGP 模型下估计运行时间的下界。我们针对单体线性规划、LogGOPSim 以及在可行规模下的硬件测量验证了组合分析。所得的延迟-带宽包络线识别出低敏感区域和性能悬崖,这些在不同工作负载之间差异显著。它们还展示了带宽升级何时能带来有意义的回报,以及何时额外的网络性能收效甚微。这些结果将执行痕迹转化为评估网络配置的实用指南,同时使模型假设明确可见。
| 备注: | 将发表于 International Conference for High Performance Computing, Networking, Storage and Analysis (SC 2026) 会议论文集 |
|---|---|
| 主题: | 网络与互联网架构 (cs.NI) |
| 引用为: | arXiv:2610.41700 [cs.NI] |
| (或本版本的 arXiv:2610.41700v1 [cs.NI]) | |
| https://doi.org/10.48550/arXiv.2610.41700 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
访问论文:
- HTML(实验性)
附加功能
- 音频摘要
当前浏览上下文:
参考文献与引用
- Google Scholar
- Semantic Scholar
BibTeX 格式引用
书签
文献与引用工具
与本文相关的代码、数据和媒体
演示
推荐与搜索工具
arXivLabs:与社区合作者开展的实验性项目
arXivLabs 是一个框架,允许合作者在我们网站上直接开发和分享新的 arXiv 功能。
与 arXivLabs 合作的个人和组织都认同并接受了我们的价值观:开放、社区、卓越和用户数据隐私。arXiv 致力于这些价值观,并且只与坚守这些价值观的合作伙伴合作。
有能为 arXiv 社区增添价值的项目想法?了解有关 arXivLabs 的更多信息。