VIP20
本课程属于：019-英伟达IB：GPU集群网络搭建 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

英伟达IB链路闪断快速定位与恢复实战

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
01
课程导入
学习目标 · 课程结构 · IB网络基础与闪断问题概述
课程导入学习目标
02
IB网络架构基础
InfiniBand协议栈 · 子网管理器(SM) · 链路层与物理层关键概念
IB网络架构基础
03
闪断现象与影响
定义 · 常见表现 · 对HPC/AI集群的影响评估
闪断现象影响
04
闪断原因分类
硬件故障 · 线缆问题 · 配置错误
闪断原因分类硬件故障
05
硬件故障排查
网卡(HCA) · 交换机 · 光模块
硬件故障排查HCA
06
线缆与连接器问题
QSFP/OSFP接口 · 光纤/铜缆 · 连接松动与损坏识别
线缆连接器问题
07
配置错误排查
SM配置 · 分区(PKey) · 速率协商
配置错误排查SM
08
软件与驱动问题
驱动版本 · 固件 · OFED/MLNX_OFED配置
软件驱动问题
09
网络拥塞与流控
ECN · PFC · 拥塞控制对链路稳定性的影响
网络拥塞流控
10
环境因素
温度 · 湿度 · 电磁干扰
环境因素温度
11
监控与告警体系
使用ibstat · ibstatus · saquery等工具监控链路状态
监控告警体系
12
日志分析
系统日志 · SM日志 · HCA/交换机日志的收集与解读
日志分析系统日志
13
闪断定位方法论
从现象到根因的系统排查流程
闪断定位方法论从现象到根因的系…
14
快速定位工具实战
ibdiagnet · ibnetdiscover · perftest等
快速定位工具实战ibdiagnet
15
案例实战一
单链路闪断定位与恢复
案例实战一单链路闪断定位
16
案例实战二
多链路闪断与交换机端口故障
案例实战二多链路闪断
17
案例实战三
软件升级引发的闪断问题
案例实战三软件升级引发的闪…
18
案例实战四
线缆老化导致的间歇性闪断
案例实战四线缆老化导致的间…
19
恢复策略与操作
链路重启 · 端口重置 · 故障切换
恢复策略操作
20
预防与优化
定期巡检 · 固件升级 · 线缆管理
预防优化
21
自动化监控与告警
脚本化监控 · 集成Prometheus/Grafa…
自动化监控告警
22
常见问题FAQ
闪断误报 · 定位困难 · 恢复后复发等
FAQ常见问题
23
综合实战
模拟环境下的闪断排查演练
综合实战模拟环境下的闪断…
24
性能调优与稳定性
调整SM参数 · 缓冲区 · 超时设置
性能调优稳定性
25
与上层应用协同
MPI · NCCL等对链路稳定性的要求
上层应用协同MPI
26
故障复盘与文档化
记录案例 · 编写SOP
故障复盘文档化
27
前沿技术
自适应路由 · 智能网卡对链路稳定性的提升
前沿技术自适应路由
28
课程总结
核心要点回顾 · 技能树梳理
课程总结核心要点回顾
29
考核与认证
模拟测试 · 实操评估
考核认证
30
扩展学习
推荐资源 · 社区 · 官方文档
扩展学习推荐资源