VIP20

本课程属于：008-GPU数据中心AI算力集群部署 AI与大模型 · 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

GPU集群RoCE网络性能优化

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · GPU集群与RoCE网络概述

课程导入学习目标

RDMA概念 · RoCEv1/v2协议 · RoCE与InfiniBand对比

GPU集群网络架构

典型拓扑（Fat-Tree · Dragonfly） · 网络层次（接入/汇聚/核心）

GPU集群网络架构

RoCE网络关键组件

交换机 · 网卡（NIC） · 线缆

RoCE网络关键组件

PFC（优先级流控） · ECN（显式拥塞通知） · QoS配置

流控机制PFC

拥塞控制算法

DCQCN · TIMELY · DCTCP原理与配置

拥塞控制算法DCQCN

网络性能指标

带宽 · 时延 · 吞吐量

网络性能指标带宽

性能测试工具

perftest（ib_write_… · qperf · Netperf

性能测试工具perftest

基准测试方法

单流/多流测试 · 不同消息大小 · 不同QoS等级

基准测试方法单流

性能瓶颈分析

CPU中断 · 内存带宽 · PCIe瓶颈

性能瓶颈分析CPU

网络调优参数

MTU · 流控阈值 · ECN标记概率

网络调优参数MTU

驱动与固件优化

NVIDIA驱动 · Mellanox固件 · OFED配置

驱动固件优化

自适应路由 · 动态路由 · 负载均衡策略

拓扑优化自适应路由

多路径与ECMP

哈希算法 · 负载不均问题 · 解决方案

拥塞场景模拟

背景流量 · 突发流量 · 多租户干扰

拥塞场景模拟背景流量

使用ethtool · mlnx_tune · NVIDIA DCGM

性能监控ethtool

日志与事件分析

交换机日志 · NIC事件 · RDMA错误计数

日志事件分析

常见问题排查

丢包 · 时延抖动 · 连接不稳定

常见问题排查丢包

单机多卡性能优化 · 多机集群性能调优

案例实战单机多卡性能优化

大规模训练任务（如GPT）网络优化

案例实战GPT

存储网络（NVMe-oF）性能优化

案例实战NVMe-oF

云环境优化

虚拟化环境（SR-IOV） · 容器网络（CNI）

云环境优化SR-IOV

安全与隔离

租户隔离 · QoS策略 · 安全组

自动化运维

脚本化调优 · 配置管理（Ansible） · CI/CD集成

自动化运维脚本化调优

性能基准与验收

制定SLA · 验收测试流程

性能基准验收

RoCEv3 · 无损网络 · AI网络（如NVIDIA Spect…

前沿技术RoCEv3

从零搭建一个高性能GPU集群网络

综合实战GPU

优化一个现有集群的网络性能

综合实战优化一个现有集群…

故障演练与性能恢复

综合实战故障演练

核心要点回顾 · 最佳实践 · 学习路径建议

课程总结核心要点回顾