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 AI数据中心网络可靠性工程

共计 30 章节
可可资料掘金营 · 点击在线试看
01
AI数据中心网络可靠性导论
目标=NVIDIA AI数据中心网络… · 可靠性定义与量化指标 · 典型故障场景与业务影响
AI数据
02
NVIDIA网络硬件可靠性基础
目标=Spectrum/Quantu… · 关键器件失效模式 · 冗余电源与风扇设计
NVIDIA网络硬件可靠性基…
03
NVIDIA网络操作系统可靠性机制
目标=Cumulus Linux与N… · 进程监控与自愈 · 配置回滚与事务机制
NVIDIA网络操作系统可靠…
04
AI数据中心网络拓扑可靠性设计
目标=Clos/Fat-Tree与R… · 多路径冗余 · 链路聚合与ECMP
AI数据
05
NVIDIA Quantum InfiniBand可靠性工程
目标=InfiniBand链路层重传 · 自适应路由 · 拥塞控制
NVIDIAQuantum
06
NVIDIA Spectrum Ethernet可靠性工程
目标=RoCEv2无损网络配置 · PFC/ECN调优 · 链路故障切换
NVIDIASpectrum
07
GPU直连网络可靠性
目标=NVLink/NVSwitch… · GPU-CPU-NIC拓扑冗余 · NVLink错误恢复
GPU直连网络可靠性
08
NVIDIA DOCA与DPU可靠性卸载
目标=BlueField DPU高可… · 存储与网络卸载容错 · DPU故障对AI训练的影响与恢复
NVIDIADOCA
09
网络可靠性监控体系
目标=NVIDIA NetQ与Wha… · 遥测数据采集 · 健康检查
网络可靠性监控体…NVIDIA
10
AI训练任务网络故障诊断
目标=NCCL通信故障定位 · 集合通信超时分析 · 网络抖动与丢包排查
AI训练任务网络故障…
11
网络配置一致性与合规
目标=NVIDIA Air与网络仿真 · 配置模板与版本控制 · 自动化合规检查
网络配置一致性合规
12
链路与设备冗余切换实战
目标=MLAG/EVPN多活配置 · BFD快速检测 · 故障切换演练
链路设备冗余切换实战
13
网络拥塞与流控可靠性
目标=PFC死锁预防 · ECN标记策略 · 动态拥塞控制
网络拥塞流控可靠性
14
InfiniBand子网管理器高可用
目标=SM主备选举 · SM故障切换 · 子网重建
InfiniBand子网管理器高可用
15
网络操作系统升级与补丁管理
目标=滚动升级策略 · ISSU不中断升级 · 升级风险评估
网络操作系统升级补丁管理
16
AI数据中心网络电源与环境可靠性
目标=供电冗余 · UPS与PDU监控 · 散热与温度告警
AI数据
17
网络时间同步与可靠性
目标=PTP/NTP精度要求 · 时间同步故障影响 · 冗余时钟源
网络时间同步可靠性
18
网络安全的可靠性维度
目标=ACL与防火墙冗余 · DDoS防护 · 控制平面保护
网络安全的可靠性…ACL
19
多租户与网络切片可靠性
目标=VXLAN租户隔离 · 资源预留 · 租户故障隔离
多租户网络切片可靠性
20
AI存储网络可靠性
目标=NVMe over Fabri… · 多路径与故障切换 · 存储流量与训练流量隔离
AI存储网络可靠性
21
网络自动化与可靠性编排
目标=Ansible/Terrafo… · 意图驱动配置 · 自动化故障修复
网络自动化可靠性编排
22
网络仿真与故障注入
目标=NVIDIA Air仿真环境 · Chaos Engineering故… · 可靠性测试用例设计
网络仿真故障注入
23
大规模AI集群网络可靠性运维
目标=集群分级监控 · 批量故障处理 · 运维手册与SOP
AI大规模
24
网络性能基准与可靠性验证
目标=NCCL/IB perf测试 · RoCE性能基准 · 可靠性压力测试
网络性能基准可靠性验证
25
网络故障根因分析案例
目标=真实AI数据中心网络故障案例 · 排查过程 · 根因定位
网络故障根因分析…AI
26
网络可靠性SLA与容量规划
目标=SLA定义与度量 · 容量与冗余规划 · 故障影响业务评估
SLA网络可靠性
27
AI工作负载网络可靠性优化
目标=训练/推理流量特征 · 集合通信优化 · 网络参数调优
AI工作负载网络可靠…
28
NVIDIA网络可靠性最佳实践
目标=硬件选型与冗余 · 软件配置基线 · 监控告警策略
NVIDIA网络可靠性最佳实…
29
网络可靠性团队与流程建设
目标=运维团队角色 · 故障响应流程 · 事后复盘机制
网络可靠性团队流程建设
30
未来趋势与课程总结
目标=AI网络可靠性新技术 · NVIDIA路线图 · 课程知识体系回顾
未来趋势课程总结