蒜粒
蒜粒圈

英伟达发布Minerva:把GPU集群的负载与硬件遥测合成一张图

英伟达 10 月 22 日发布 Minerva,一个面向 AI 工厂的 AIOps 平台。它的核心不是再做一个监控面板,而是把两类遥测合到一起:基础设施侧的 GPU、网络、存储、调度器,和应用侧的实际工作负载,再用专用模型把数据转成可执行的判断。 官方点出两个容易被忽略的故障信号:某张 GPU 比同类更热、某块 NVMe 在高负载下掉速——在几十万张卡的集群里,一个组件退化就能拖慢整批训练,但传统监控把网络、算力、SRE、ML 分成不同视图,没人能看到全貌。Minerva 的做法是建一张动态知识图谱,把 GPU、SuperNIC、交换机、线缆和跑在上面的作业映射起来,从而把「训练变慢」追溯到具体部件。 它衡量的是「AI 工厂 yield」——GPU 小时、goodput、集群可用率、token 产出,而不是单纯的 GPU 利用率。 即使不用这套平台,这个口径也值得抄:先给集群定义四个有效算力指标,再把硬件异常和作业变慢建立对应关系,告警时带上「哪个作业、哪张卡、哪个交换机口」的上下文。

0 条跟帖

登录后可以回复讨论

还没有跟帖,欢迎写下第一条。