产品定位
智算中心可观测能力将我们的高保真数据优势延伸到AI训练基础设施。它关注GPU空转、Rank掉队、PFC/ECN拥塞、NCCL Hang等直接影响算力效率的问题。
核心能力
RDMA/RoCE网络健康与拥塞观测
PFC、ECN、CNP、QPN级指标分析
GPU、NIC、交换机和作业数据关联
Rank掉队、NCCL Hang和长尾作业定位
典型场景
大模型训练集群稳定性保障
智算中心算力利用率提升
无损网络拥塞与丢包风险分析
训练作业异常复盘和容量优化
能力架构
采集：eBPF、DCGM、NIC计数器、交换机遥测和作业事件
关联：GPU、主机、网络、队列、Rank和作业拓扑
输出：瓶颈定位、影响评估和训练链路证据