基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法_第1页
基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法_第2页
基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法_第3页
基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法_第4页
基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于FPGA加速平台的分布式人工智能RDMA网络通信项目GNFC算法指导老师报告人目录CONTENTS项目背景PART

ONE项目进度PART

TWO技术方案PART

THREE项目背景PART

ONEPART

ONE项目背景背景：当前随着分布式机器学习等人工智能技术的兴起，传统数据处理与传输机制无法高效解决数据处理效率低、网络加速慢及传输延时高等问题。允许应用程序直接读取和写入远程内存的RDMA技术实现了高吞吐量、超低时延和低CPU开销，为人们提供了新的解决方案。目前最主流的RDMA技术RoCEv2的流控算法没有及时和精确的流量控制反馈，必须使用针对不同网络环境优化相关的操作参数。PFC引发的拥塞扩展、不公平、甚至网络死锁等问题，严重影响了RDMA的性能。PFC死锁PART

ONE项目背景项目目标：在RDMA网络传输中实现：不依赖PFC机制的链路实时反馈动态感知链路的拥塞程度及时调整路由策略减少传输延时和提高带宽利用率提出GNFC智能流控方案，通过端到端的流量控制机制和接收端驱动的拥塞控制算法预防和快速缓解拥塞。项目进度PART

TWOPART

TWO项目进度阶段一项目启动，调研相关资料设计GNFC算法2022-7-12阶段三交付GNFC算法及相关文档2022-9-30阶段二算法评审，开发和测试GNFC算法，编写相关文档2022-8-11技术方案PART

THREEPARTTHREE技术方案RDMA智能流控机制GNFC本项目研究分布式机器学习网络传输的特点，分析机器学习网络模型和各神经网络层之间数据传输的并串行特点，结合网络流量特征，研究RDMA智能流控机制GNFC，实现基于网络拓扑和机器学习网络模型的双重优化。GNFC动态网络感知情况，计算决定具体每一报文的控制策略。技术方案包括端到端流量控制机制QP2P和接收端驱动的拥塞控制算法RRCC两方面内容。这两个机制分别控制是否发送数据包和数据包发送速率，既可以配合工作，也可以独立工作。PART

THREE技术方案端到端流量控制机制QP2P核心思想：通过网络的时延带宽积等参数来限定每个QP在链路中数据包数量的上限，进而减少发送不必要的数据包，避免拥塞加剧QP2P流程图QP2P函数对照表PARTTHREE技术方案接收端驱动的拥塞控制算法RRCC核心思想：在探测到网络拥塞时，启动接收端驱动的拥塞控制算法，实现速率快速收敛，拥塞快速消除。接收端网卡根据接收速率等信息指导发送端的速率调节，避免发送端启发式的试探调速。拥塞，按照RecvRa

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论