VIP20

本课程属于：052-NVIDIA Networking高速数据中心网络工程 网络通信与数字安全工程 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

NVIDIA高速计算网络故障诊断与可观测性工程

共计 30 章节

可可资料掘金营 · 点击在线试看

课程导入与全景认知

目标=NVIDIA高速计算网络（In… · RoCE · NVLink

课程导入全景认知

高速计算网络协议栈精要

目标=InfiniBand与RoCE… · 拥塞控制 · RDMA语义

高速计算网络协议…InfiniBand

可观测性数据源与采集体系

目标=SNMP · Streaming Telemetr… · gNMI/gRPC

可观测性数据源采集体系

关键性能指标与健康基线

目标=端口误码 · 链路抖动 · PFC风暴

关键性能指标健康基线

故障诊断方法论与排障流程

目标=从告警到根因的标准化流程 · 分层排查（物理层 · 链路层

故障诊断方法论排障流程

物理层与链路层故障诊断实战

目标=光模块/线缆劣化 · FEC误码 · 链路闪断

物理层链路层故障诊断实…

InfiniBand子网管理与诊断

目标=Subnet Manager角… · LID/GID分配 · 路由算法

InfiniBand子网管理

RoCEv2无损网络故障诊断

目标=PFC/ECN配置错误 · DCQCN调优 · 优先级流控死锁

RoCEv2无损网络故障诊断

NVLink与NVSwitch故障诊断

目标=GPU间互连错误 · NVLink降速 · NVSwitch端口异常

Spectrum-X与以太网RDMA可观测性

目标=Spectrum交换机遥测 · Cumulus Linux/NVID… · RoCE性能计数器解读

DPU与BlueField可观测性

目标=DPU在遥测卸载 · 流量镜像 · 安全策略中的作用

NCCL通信故障诊断

目标=NCCL拓扑探测 · 集合通信超时 · GPU Direct禁用

NCCL通信故障诊断

存储网络与GPUDirect Storage故障诊断

目标=NVMe over Fabri… · GPUDirect Storage路… · 存储拥塞与RDMA错误对训练任务的影…

GPUDirectStorage

大规模训练任务网络性能劣化诊断

目标=慢节点 · 慢链路 · 集合通信瓶颈

大规模训练任务网…目标=慢节点

网络遥测数据管道与可视化

目标=Telemetry流式采集 · 时序数据库 · Grafana/Prometheus…

网络遥测数据管道可视化

日志与事件关联分析

目标=交换机 · GPU节点 · SM

日志事件关联分析

自动化故障检测与告警策略

目标=基于阈值的告警 · 异常检测算法 · 告警降噪

自动化故障检测告警策略

网络配置漂移与合规性检查

目标=配置备份 · 差异比对 · 自动化审计

网络配置漂移合规性检查

性能基准测试与故障复现

目标=perftest · ib_write_bw · NCCL-Tests

性能基准测试故障复现

混沌工程与故障注入实践

目标=在NVIDIA高速网络中模拟链… · 拥塞 · 丢包

混沌工程故障注入实践

安全与多租户环境下的可观测性

目标=租户隔离 · QoS策略 · 安全策略对遥测的影响

安全多租户环境下的可…

Kubernetes与Slurm环境中的网络诊断

目标=CNI插件 · RDMA设备插件 · Pod间通信

KubernetesSlurm

云与混合云场景下的高速网络诊断

目标=公有云GPU实例 · RDMA over Converge… · 跨云互连的故障诊断特殊性与工具适配

混合云场景下的高…GPU

NVIDIA UFM/NetQ深度实战

目标=UFM Telemetry · NetQ验证 · What-If分析

典型故障案例库（一）

目标=链路误码导致训练中断 · PFC死锁引发全网拥塞 · SM故障导致子网瘫痪的完整复盘

典型故障案例库目标=链路误码导…

典型故障案例库（二）

目标=NCCL超时 · GPU Direct失效 · NVLink降速

典型故障案例库NCCL

可观测性平台架构设计

目标=从采集 · 传输 · 存储

可观测性平台架构…目标=从采集

SLO/SLI与网络健康度评估

目标=定义网络服务等级目标 · 构建健康度评分模型 · 量化故障影响与恢复时间

SLO/SLI网络健康度评估

运维自动化与AIOps探索

目标=基于机器学习的异常检测 · 根因分析 · 预测性维护在NVIDIA高速网络中的…

AIOps运维自动化

课程总结与综合实战

目标=端到端故障诊断演练 · 整合可观测性工具链 · 制定个人/团队能力提升路线图

课程总结综合实战