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集群网络可观测与性能诊断

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 AI集群网络架构… · 可观测性与性能诊断的核心价值 · 课程目标与学习路径

课程导入全景认知

AI集群网络基础

目标=InfiniBand与RoCE… · NVLink/NVSwitch拓扑 · GPU直连通信机制

AI集群网络基础

可观测性数据源与采集体系

目标=带内遥测 · 带外遥测 · 流表统计

可观测性数据源采集体系

关键性能指标定义与解读

目标=带宽 · 时延 · 抖动

关键性能指标定义解读

NVIDIA网络遥测工具链部署

目标=NetQ · UFM · DOCA Telemetry

NVIDIA网络遥测工具链部…

InfiniBand网络可观测性实战

目标=子网管理器日志分析 · 性能计数器监控 · 链路误码与降速诊断

InfiniBand网络可观测性实战

RoCEv2网络可观测性实战

目标=PFC/ECN计数器采集 · DCQCN参数监控 · 拥塞控制事件追踪

RoCEv2网络可观测性实战

GPU通信性能剖析

目标=NCCL测试与日志解读 · NVLink与PCIe带宽瓶颈定位 · 集合通信操作性能分解

GPU通信性能剖析

网络拓扑与路由诊断

目标=拓扑发现与验证 · 路由表一致性检查 · 多路径负载均衡观测

网络拓扑路由诊断

端到端性能诊断方法论

目标=分层排查模型 · 基线建立与偏差检测 · 假设驱动诊断流程

端到端性能诊断方…目标=分层排查模…

典型故障场景诊断一

目标=链路闪断与误码——症状识别 · 计数器关联分析 · 光模块与线缆诊断

典型故障场景诊断…目标=链路闪断

典型故障场景诊断二

目标=拥塞与丢包——PFC风暴 · ECN阈值调优 · DCQCN参数优化

典型故障场景诊断…PFC

典型故障场景诊断三

目标=GPU通信超时与挂起——NCC… · 网络与GPU状态关联 · 集合通信死锁排查

典型故障场景诊断…GPU

典型故障场景诊断四

目标=性能不达标——带宽利用率低 · 时延抖动大 · 多租户干扰

典型故障场景诊断…目标=性能不达标

可观测性数据可视化与告警

目标=NetQ/UFM仪表板定制 · Grafana集成 · 关键指标阈值设定

可观测性数据可视…告警

自动化诊断与AIOps实践

目标=脚本化数据采集 · 异常检测算法应用 · 故障知识库构建

AIOps自动化诊断

大规模集群可观测性挑战

目标=数据采集规模与性能开销 · 分布式追踪 · 跨域关联分析

大规模集群可观测…目标=数据采集规…

多租户与安全隔离观测

目标=租户流量隔离验证 · QoS策略合规检查 · 安全策略对性能的影响评估

多租户安全隔离观测

存储网络与AI集群协同观测

目标=NVMe over Fabri… · 存储与计算网络争用诊断 · 数据加载瓶颈定位

NVIDIA Magnum IO与网络加速观测

目标=GPUDirect Stora… · IO路径追踪 · 加速效果验证与调优

云原生AI集群网络观测

目标=Kubernetes网络插件与… · 容器网络性能监控 · 服务网格对AI通信的影响

性能基准测试与对比分析

目标=NCCL Tests · IB Write/Read · perftest工具集

性能基准测试对比分析

网络配置变更与影响评估

目标=变更前基线采集 · 变更后对比验证 · 回滚策略

网络配置变更影响评估

固件与驱动升级中的观测

目标=升级前健康检查 · 升级过程监控 · 升级后性能回归测试

固件驱动升级

能效与热管理关联观测

目标=网络设备功耗与温度监控 · 性能降频诊断 · 散热问题对网络稳定性的影响

能效热管理关联观测

跨集群与广域AI网络观测

目标=DCI链路监控 · 长距RDMA性能诊断 · 时钟同步与延迟测量

可观测性数据治理与保留

目标=数据生命周期管理 · 采样策略优化 · 存储成本控制

可观测性数据治理保留

实战案例一

目标=某AI训练集群AllReduc…

实战案例一AI

实战案例二

目标=大规模RoCE集群PFC风暴应… · 快速止损 · 根因分析与长期优化

实战案例二RoCE

课程总结与前沿展望

目标=核心知识点回顾 · 诊断能力自评 · NVIDIA网络可观测性技术演进与未…

课程总结前沿展望