拥塞、抖动与网络故障

同步训练中任何一条链路的抖动都会拖慢全局。本章讨论 incast 拥塞、ECMP 哈希不均、光模块误码等常见原因，以及通信层面的诊断方法。

本章要点

• 一根光模块的误码率升高足以让万卡训练慢 20%
• 定期跑 NCCL 测试建立带宽基线
• 流量工程：多路径与自适应路由

相关阅读

• Straggler 与静默错误

写作状态

本章目前为提纲，正文待撰写。