阿里云基礎(chǔ)網(wǎng)絡(luò)技術(shù)5 篇論文入選全球網(wǎng)絡(luò)頂會(huì)NSDI 2025

近日，在全球頂級(jí)網(wǎng)絡(luò)系統(tǒng)會(huì)議NSDI 2025上，阿里云基礎(chǔ)網(wǎng)絡(luò)技術(shù)5篇論文被主會(huì)錄用，論文研究成果涵蓋多個(gè)領(lǐng)域，包括面向大模型訓(xùn)練的網(wǎng)絡(luò)故障診斷、大模型訓(xùn)練網(wǎng)絡(luò)仿真、容器網(wǎng)絡(luò)性能問題診斷、基于AI推理的CDN流控算法智能選擇，以及GPU解耦型推理場景的性能優(yōu)化等五個(gè)重要領(lǐng)域。多項(xiàng)突破性成果的集中入選，標(biāo)志著阿里云在人工智能時(shí)代的計(jì)算機(jī)網(wǎng)絡(luò)和系統(tǒng)領(lǐng)域持續(xù)引領(lǐng)前沿技術(shù)。

NSDI是美國高等計(jì)算系統(tǒng)協(xié)會(huì) (USENIX協(xié)會(huì)) 舉辦的頂級(jí)學(xué)術(shù)會(huì)議，與ACM SIGCOMM并列為計(jì)算機(jī)網(wǎng)絡(luò)和系統(tǒng)研究領(lǐng)域最高水平的兩大會(huì)議，被中國計(jì)算機(jī)學(xué)會(huì)（CCF）評(píng)為A類推薦會(huì)議，Core Conference Ranking也給予其A級(jí)別評(píng)價(jià)，代表了最前沿的科研水平和影響力。此次會(huì)議共收到666篇投稿，錄用83篇論文，錄取率不到12.5%，是NSDI歷史錄取率最低一次。

在此次入選的文章中，阿里云主創(chuàng)論文《Evolution of Aegis: Fault Diagnosis for AI Model Training Service in Production》總結(jié)了近一年多以來阿里云在支持大模型訓(xùn)練過程中的實(shí)踐與經(jīng)驗(yàn)。在研究中，阿里云網(wǎng)絡(luò)、靈駿、PAI等技術(shù)共同打造了端+網(wǎng)+任務(wù)協(xié)同的系統(tǒng)性智算網(wǎng)絡(luò)診斷體系，將網(wǎng)絡(luò)故障診斷耗時(shí)降低97%，順利支持通義千問完成了多次模型版本的訓(xùn)練發(fā)布。

傳統(tǒng)的云計(jì)算診斷系統(tǒng)是針對(duì)通用計(jì)算場景設(shè)計(jì)的，在大模型場景下并不完全適用。由于大模型訓(xùn)練存在很多獨(dú)特的執(zhí)行特性，如大范圍的集合通信等，會(huì)導(dǎo)致諸多經(jīng)典診斷手段誤報(bào)，無法精準(zhǔn)完成問題定位。雖然頭部大模型公司有針對(duì)大模型訓(xùn)練場景專門設(shè)計(jì)的故障診斷系統(tǒng)，但相對(duì)來說，方案對(duì)于提供公有云服務(wù)的解決方案來說有所局限。

（圖：Aegis與已有診斷系統(tǒng)對(duì)比與演進(jìn)）

因此，在論文研究中，Aegis選擇了一條增強(qiáng)已有體系+訓(xùn)練過程感知的兩階段演進(jìn)路線。在增強(qiáng)已有體系階段（Phase-1），Aegis將大量人工定位問題的經(jīng)驗(yàn)進(jìn)行梳理總結(jié)，形成了一套在線日志分析+定點(diǎn)隔離診斷的問題定位體系，幫助降低了71%的任務(wù)中斷問題定位耗時(shí)。在訓(xùn)練過程感知階段（Phase-2），Aegis找到了集合通信庫這一橋接計(jì)算過程和通信過程的通用組件，并進(jìn)行針對(duì)性的診斷能力增強(qiáng)，實(shí)現(xiàn)了基于集合通信信息的全面在線的故障診斷，進(jìn)一步降低了91%的問題定位耗時(shí)。

在診斷訓(xùn)練任務(wù)失敗這類問題之外，Aegis還進(jìn)一步覆蓋了性能回退場景的問題定位以及交付前問題的前置檢查。最終模型訓(xùn)練過程中的性能回退比例以及任務(wù)重啟次數(shù)都得到了大幅降低，全方位地為阿里云上的大模型訓(xùn)練任務(wù)的穩(wěn)定運(yùn)行保駕護(hù)航。

（圖：阿里云基礎(chǔ)網(wǎng)絡(luò)技術(shù)5篇論文錄入全球網(wǎng)絡(luò)頂會(huì)NSDI2025）

阿里云智能研發(fā)副總裁、基礎(chǔ)網(wǎng)絡(luò)負(fù)責(zé)人蔡德忠表示：“從智算網(wǎng)絡(luò)集群異常診斷到大模型訓(xùn)練仿真系統(tǒng)，從CDN智能控制到云原生網(wǎng)絡(luò)創(chuàng)新，阿里云持續(xù)將產(chǎn)業(yè)級(jí)技術(shù)難題和學(xué)術(shù)創(chuàng)新融合，為AI大模型時(shí)代下云計(jì)算基礎(chǔ)設(shè)施發(fā)展做出貢獻(xiàn)?！?/p>

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。