ClusterRCA：面向HPC系统网络故障定位与分类的端到端方法
分布式、并行与集群计算
2025-09-23 v2 人工智能
摘要
网络故障诊断虽然关键却具有挑战性。现有方法无法直接应用于HPC场景，由于数据异构性和准确性不足。本文提出一种新框架，称为ClusterRCA，通过利用多模态数据来定位罪魁节点并确定故障类型。ClusterRCA从拓扑连接的网络接口控制器（NIC）配对中提取特征，以分析HPC系统中多样化的多模态数据。为准确定位罪魁节点并确定故障类型，ClusterRCA结合基于分类器和基于图的方法。基于状态分类器输出构建故障图，然后在图上执行定制化随机漫步，以定位根本原因。在来自全球顶级HPC设备供应商收集的数据集上进行的实验表明，ClusterRCA在诊断HPC系统网络故障方面实现了高准确率。ClusterRCA在不同应用场景下也能保持稳健的性能。
引用
@article{arxiv.2506.20673,
title = {ClusterRCA: An End-to-End Approach for Network Fault Localization and Classification for HPC System},
author = {Yongqian Sun and Xijie Pan and Xiao Xiong and Lei Tao and Jiaju Wang and Shenglin Zhang and Yuan Yuan and Yuqi Li and Kunlin Jian},
journal= {arXiv preprint arXiv:2506.20673},
year = {2025}
}