.png){kind=icon}
返回
Reliability modeling of computing network oriented to logical-to-physical network mapping: Bayesian-based quantitative analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2026.113168.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型模型的兴起使得分布式计算网络对于训练不可或缺，因为这些模型的计算和内存需求远超任何单台计算设备的处理能力。计算网络内部计算设备间的频繁数据传输和参数同步使网络可靠性成为关键因素，直接影响操作稳定性和模型训练效率。然而，现有研究缺乏针对计算网络的精确定义和量化分析方法，特别是在动态服务与底层物理基础设施间的耦合效应方面。为解决此问题，本文提出了一种面向逻辑-物理网络映射的计算网络模型。该模型整合了网络静态结构和动态时序状态，从而涵盖逻辑服务进程与物理基础设施间的复杂映射关系。随后构建了一个融合静态与动态要素的双层贝叶斯网络，基于网络模型实现可靠性量化分析。为验证所提方法，开展了GPT-3模型分布式训练的案例研究。典型架构的可靠性对比实验表明，环面结构（Torus）具有更高可靠性，为设计鲁棒计算网络提供了基础见解。
Keyword:
Computing network
Reliability
Logical-to-physical network mapping
Bayesian
期刊
R
IF:
11
论文数:
1.1K
被引数:
0
机构
引用论文
Communication Optimization for Distributed Training: Architecture, Advances, and Opportunities.png)
IF0
PREAI
分享收藏Reliability evaluation and multi-stage performance analysis of multi-state air-ground cooperative networks for city aviation and railway infrastructure多状态空地协同网络在城市场景下的可靠性评估与多阶段性能分析
PREAI
分享收藏Service reliability of intelligent computing cluster systems for large language models大型语言模型智能计算集群系统的服务可靠性
PREAI
分享收藏Urban Road Network Resilience Assessment Framework: Integrating Spatiotemporal Analysis with the Resilience Triangle and Temporal Performance Indicators城市道路网络韧性评估框架：整合时空分析与韧性三角形及时域性能指标
PREAI
分享收藏A comparative study of numerical methods for reliability assessment based on semi-Markov processes
PREAI
分享收藏
查看更多内容