Newshot

为 AI 超级计算机配置网络:一项基于追踪的性能研究

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。

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by HN AI
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗