智算中心网络的亚毫秒级网络监控系统

张冬月; 辛奇; 韩博文; 徐博华; 曹畅; 顾茹雅

doi:10.11959/j.issn.1000-0801.2025172

您当前的位置：

首页 >

文章列表页 >

智算中心网络的亚毫秒级网络监控系统

专题：智算网络 | 更新时间：2025-09-04

- 智算中心网络的亚毫秒级网络监控系统
- Sub-millisecond-level network monitoring system for intelligent computing centers network
- 电信科学 2025年41卷第8期页码：65-75
- 作者机构：
  
  1.中国联合网络通信有限公司研究院，北京 100048
  2.北京邮电大学，北京 100876
  3.北京基流科技有限公司，北京 100083
- 作者简介：
  
  [ "张冬月（1995- ），女，中国联合网络通信有限公司研究院工程师，主要研究方向为智算中心网络。" ]
  [ "辛奇（2000- ），男，北京邮电大学博士生，主要研究方向为高性能计算网络、算力网络等。" ]
  [ "韩博文（1993- ），男，中国联合网络通信有限公司研究院工程师，主要研究方向为IP承载网络、新型数据中心网络、管控运维技术。" ]
  [ "徐博华（（1989- ），男，中国联合网络通信有限公司研究院高级工程师，主要研究方向为IP新技术和新型网络设备研发。" ]
  [ "曹畅（1984- ），男，博士，中国联合网络通信有限公司研究院正高级工程师、部门总监，主要研究方向为算力网络、下一代互联网等" ]
  [ "顾茹雅（1990- ），女，现就职于北京基流科技有限公司，主要研究方向为AI软件栈和系统架构。" ]
- 基金信息：
  
  国家重点研发计划项目(2024YFB2908704)
- DOI：10.11959/j.issn.1000-0801.2025172
  中图分类号： TP393
- 收稿：2025-03-25，
  
  修回：2025-04-24，
  
  录用：2025-05-14，
  
  纸质出版：2025-08-20
- 稿件说明：
移动端阅览
张冬月,辛奇,韩博文等.智算中心网络的亚毫秒级网络监控系统[J].电信科学,2025,41(08):65-75.

ZHANG Dongyue,XIN Qi,HAN Bowen,et al.Sub-millisecond-level network monitoring system for intelligent computing centers network[J].Telecommunications Science,2025,41(08):65-75.
张冬月,辛奇,韩博文等.智算中心网络的亚毫秒级网络监控系统[J].电信科学,2025,41(08):65-75. DOI： 10.11959/j.issn.1000-0801.2025172.

ZHANG Dongyue,XIN Qi,HAN Bowen,et al.Sub-millisecond-level network monitoring system for intelligent computing centers network[J].Telecommunications Science,2025,41(08):65-75. DOI： 10.11959/j.issn.1000-0801.2025172.

摘要

随着智算中心成为支撑数字经济高质量发展的核心基础设施，千亿参数大模型训练对网络性能提出严苛要求，传统监控手段因采样精度不足、缺乏细粒度观测难以应对万卡集群的通信瓶颈。提出了亚毫秒级网络监控系统（sub-millisecond-level network monitoring system，sMon），通过在工作请求处理流水线中集成智能计数器与动态带宽分析模块，实时追踪网卡端口队列深度及流量波动。基于滑动窗口算法实现带宽吞吐的动态计算，在保持亚毫秒级时序精度的同时，采用异步日志采集机制将系统开销中央处理器（central processing unit，CPU）占用率降低至0.8%。在128节点A100集群的测试中，系统成功捕获了网络端口的亚毫秒级流量细节。实验证明该系统较传统监控方案在数据粒度上提升2个数量级。该方案通过高精度网络状态感知能力，为构建“超大规模、超高带宽、超强可靠”的智算中心网络提供了实时监控与性能保障，有效支撑大规模人工智能（artificial intelligence，AI）训练任务的需求。

Abstract

As intelligent computing centers become core infrastructure supporting the high-quality development of the digital economy

the training of hundred-billion-parameter large models imposes stringent requirements on network performance. Traditional monitoring methods struggle to address communication bottlenecks in ten-thousand-card clusters due to insufficient sampling precision and lack of fine-grained observation. A sub-millisecond-level network monitoring system (sMon) was proposed

which integrated intelligent counters and dynamic bandwidth analysis modules into the workflow processing pipeline to enable real-time tracking of NIC port queue depth and traffic fluctuations. By implementing dynamic bandwidth calculation through sliding window algorithms

sub-millisecond temporal accuracy was maintained while reducing system overhead to 0.8% CPU utilization via asynchronous log collection mechanisms. Testing on a 128-node A100 cluster

the system’s capability was demonstrated to capture sub-millisecond traffic details at network ports. Experimental results show a two-order-of-magnitude improvement in data granularity compared with conventional monitoring solutions. The proposed system provides real-time monitoring and performance assurance for constructing “ultra-large-scale

ultra-high-bandwidth

ultra-reliable” intelligent computing center networks through high-precision network state perception

effectively supporting the requirements of large-scale AI training tasks.

关键词

Keywords

references

中国信息通信研究院 . 中国综合算力指数报告(2024) [R ] . 2024 .

China Academy of Information and Communications Technology . China's comprehensive computing power index report (2024) [R ] . 2024 .

中国电子技术标准化研究院 . 新一代智算中心网络管控运维技术白皮书 [R ] . 2025 .

China Electronics Standardization Institute . White paper on network control and maintenance technology for a new generation of smart computing center [R ] . 2025 .

中国联通研究院 . 中国联通智算中心网络技术白皮书 [R ] . 2024 .

China Unicom Research Institute . China Unicom network technology white paper for smart computing center [R ] . 2024 .

华为技术有限公司 . 华为星河AI网络解决方案白皮书 [R ] . 2024 .

Huawei . Huawei Celestial River AI network solution white paper [R ] . 2024 .

中国通信标准化协会 . 超高性能数据中心网络技术要求 [S ] . 北京 : 中国标准出版社 , 2024 .

China Communication Standards Association . ltra-high performance data center network technology requirements [S ] . Beijing : Standards Press of China , 2024 .

ZHAO W X , ZHOU K , LI J Y , et al . A survey of large language models [EB ] . 2023 .

QIAN K , XI Y Q , CAO J M , et al . Alibaba HPN: a data center network for large language model training [C ] // Proceedings of the ACM SIGCOMM 2024 Conference . New York : ACM Press , 2024 : 691 - 706 .

MEZA J , XU T Y , VEERARAGHAVAN K , et al . A large scale study of data center network reliability [C ] // Proceedings of the Internet Measurement Conference 2018 . New York : ACM Press , 2018 : 393 - 407 .

NARAYANAN D , SHOEYBI M , CASPER J , et al . Efficient large-scale language model training on GPU clusters using megatron-LM [C ] // Proceedings of the SC21: International Conference for High Performance Computing, Networking, Storage and Analysis . Piscataway : IEEE Press , 2021 : 1 - 14 .

LI S G , LIU H X , BIAN Z D , et al . Colossal-AI: a unified deep learning system for large-scale parallel training [C ] // Proceedings of the 52nd International Conference on Parallel Processing . New York : ACM Press , 2023 : 766 - 775 .

DONG J , et al . Boosting large-scale parallel training efficiency with C4: a communication-driven approach [EB ] . 2024 .

JIANG Z H , LIN H B , ZHONG Y M , et al . MegaScale: scaling large language model training to more than 10 000 GPUs [C ] // Proceedings of the 21st NSDI Conference . Berkeley : USENIX Association , 2024 : 745 - 760 .

GANGIDI A , MIAO R , ZHENG S B , et al . RDMA over Ethernet for distributed training at meta scale [C ] // Proceedings of the ACM SIGCOMM 2024 Conference . New York : ACM Press , 2024 : 57 - 70 .

SHALLUE C J , LEE J , ANTOGNINI J , et al . Measuring the effects of data parallelism on neural network training [EB ] . 2018 .

SHOEYBI M , PATWARY M , PURI R , et al . Megatron-LM: training multi-billion parameter language models using model parallelism [EB ] . 2019 .

浏览量

278

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据