本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：为应对大规模智算中心运维复杂、性能保障难的挑战，研究基于端网协同的智能运维关键技术。以某省联通端网管控智能运维平台为例，分析精细化状态监测与告警、大规模网络拓扑发现与“同轨拓扑”校验以及基于改进模拟退火的AI-DCQCN 自适应拥塞控制等技术。结果表明，该方法能实现计算与网络资源深度关联分析与故障诊断，自动化拓扑校验保障网络架构正确性，AI-DC-QCN技术可显著提升RDMA网络带宽（约20%）并降低时延。
关键字：智算中心，智能运维，端网协同，拓扑校验，拥塞控制
doi：10.12045/j.issn.1007-3043.2026.03.004
1 概述
1.1 研究背景与意义
近年来，以大语言模型为代表的人工智能技术飞速发展，并快速渗透至社会各领域。其模型参数与训练数据规模的指数级增长［1］，引发了对计算能力需求的爆炸式增长［2］。为满足此需求，全球掀起建设智能计算中心（简称智算中心）的热潮，旨在提供大规模、高性能算力基础设施［1］。
智算中心有着不同于传统数据中心的显著特征：超大规模计算集群（如“万卡集群”［2］）、高性能互联网络（基于 RDMA 技术的低时延、高带宽、无损以太网RoCEv2［3］）及复杂长周期的 AI 训练负载［2］。这些特征给智算中心运维管理带来了严峻挑战［2］。在规模与复杂性方面，对海量异构设备（GPU服务器、交换机、DPU等）的管理、状态监控和故障定位难度剧增。在性能与稳定性方面，AI 训练任务对网络时延、带宽和零丢包极为敏感［2］，任何微小网络抖动、拓扑错误或拥塞都可能导致计算效率大幅下降甚至任务失败［4-5］，RDMA网络自身的复杂性（如 PFC 与拥塞控制的交互［6］）也增加了稳定运行难度。在运维效率方面，传统依赖人工经验、被动响应的运维模式难以满足快速部署、高效优化和及时排障的需求。
在此背景下，研究和构建面向智算中心的智能化、自动化、端网协同运维系统已迫在眉睫。“端”指计算节点（服务器、GPU、网卡等），“网”指网络基础设施（交换机、链路等），端网协同旨在打破计算域与网络域壁垒，实现状态统一感知、问题智能诊断和资源联动优化。此类对智能运维系统的研究与实践，对保障大规模 AI训练任务高效稳定运行、最大化智算中心投资回报率、支撑国家人工智能战略发展具重要理论意义和实践价值。
1.2 国内外研究现状
国内外已开展大量针对数据中心及高性能计算集群运维管理的研究，相关技术正逐渐向智能化、自动化演进，成为AIOps研究热点。
在状态监测与告警方面，传统 SNMP 轮询难以满足智算中心对实时性和粒度的要求，相关研究转向基于流式遥测、gRPC 等技术的精细化、高频数据采集。机器学习被应用于异常检测、根因分析和故障预测。部分研究探索通过大语言模型构建网络管理助手［7］。然而，如何有效关联“端”（如 GPU 内部状态）与“网”（如 RDMA 网络参数）的细粒度指标，进行跨域深度诊断仍是挑战。
在网络拓扑管理方面，网络拓扑的准确性至关重要。此方面的研究包括利用 LLDP、BGP-LS 等进行物理和逻辑拓扑自动发现［8］以及在 SDN环境下由控制器统一管理拓扑信息［9］。但在大规模智算中心场景，如何高效地进行拓扑一致性校验（规划与实际对比），特别是针对 AI 集群特有的“同轨”连接等特殊优化拓扑的自动化校验，相关研究尚不充分。
在 RDMA 网络优化方面，RoCEv2 作为主流技术，其拥塞控制机制是研究热点［3，10］。DCQCN 是被广泛应用的基础算法，但其静态参数的局限性日益凸显［2］。虽有 HPCC、TIMELY 等改进方案，但部署时可能需修改硬件或协议栈，存在实现复杂度和成本高的问题［11］。利用 AI/ML 方法自适应优化 DCQCN 参数成为更具实践性的探索方向，但设计低开销、高效率、鲁棒性强的在线优化算法仍是关键。
在端网协同与 AIOps 集成方面，端网协同［12］与AIOps［13］的集成是重要趋势，但能全面覆盖监控、拓扑、拥塞控制等多方面，并实现深度端网协同的一体化智能运维平台，特别是在大规模 RDMA 智算中心场景下的实践案例和深入研究仍相对较少。
1.3 研究目标与创新点
本文旨在研究基于端网协同的智算中心智能运维系统关键技术，并以“某省联通端网管控智能运维平台”研发实践为例进行阐述和验证。具体研究目标包括：精细化、关联化的端网状态监测与智能告警机制；大规模智算网络拓扑发现与一致性校验技术，包括“同轨拓扑”等 AI 集群特有的校验方法；基于 AI 的RDMA网络自适应拥塞控制技术。
本文主要创新点如下：第一，提出一套面向 RDMA智算中心的端网协同智能运维框架并进行了实践，该框架整合了关键技术，强调计算域与网络域的联动；第二，深入研究并验证 AI-DCQCN 技术的有效性，展示改进模拟退火算法动态优化 DCQCN 参数提升网络性能的成效，提供低开销、易部署的 RDMA 网络优化方案；第三，聚焦智算网络特有的运维痛点，重点研究“同轨拓扑校验”等针对 AI集群优化需求的特定技术；第四，对基于“某省联通端网管控智能运维平台”案例进行分析，使研究内容更具落地性和参考价值。
