客户挑战
训练作业异常可能由GPU、NIC、交换机、队列、作业调度或通信库共同造成，需要将基础设施信号映射到作业级影响。
建设方案
采集GPU、NIC、交换机、eBPF和作业事件
关联PFC、ECN、CNP、QPN、NCCL和Rank维度
以小科AI辅助形成训练链路瓶颈、影响范围和复盘证据
客户价值
Rank掉队和作业长尾定位更快
GPU与NIC健康状态可解释
支撑算力效率和智算中心运营优化
客户信息说明
我们尊重客户信息安全与商业保密要求，案例内容以行业、场景、问题和建设价值为主，不展示未经客户许可的名称、Logo、金额和部署范围。