Collie：在 RDMA 子系统中发现性能异常
网络与互联网体系结构
2023-04-25 v1
摘要
高速 RDMA 网络因其低延迟与降低的 CPU 开销正被工业界迅速采用。为验证 RDMA 可用于生产环境，系统管理员需要了解可能触发异常性能行为（例如，意外的低吞吐、PFC 暂停帧风暴）的应用工作负载集合。我们设计并实现了 Collie，一种供用户无需访问硬件内部设计即可系统性地揭示 RDMA 子系统中性能异常的工具。Collie 并非逐个测试各硬件设备（如 NIC、内存、PCIe），而是整体性地构建应用工作负载的全面搜索空间。Collie 随后使用模拟退火将 RDMA 相关性能与诊断计数器驱动至极值区域，以发现可触发性能异常的工作负载。我们在多种 RDMA NIC、CPU 及其他硬件组件组合上评估 Collie。Collie 发现了 15 个新性能异常。它们均被硬件供应商确认。其中 7 个在我们报告后已修复。我们还介绍了使用 Collie 为某 RDMA RPC 库与某 RDMA 分布式机器学习框架避免性能异常的经验。
引用
@article{arxiv.2304.11467,
title = {Collie: Finding Performance Anomalies in RDMA Subsystems},
author = {Xinhao Kong and Yibo Zhu and Huaping Zhou and Zhuo Jiang and Jianxi Ye and Chuanxiong Guo and Danyang Zhuo},
journal= {arXiv preprint arXiv:2304.11467},
year = {2023}
}
备注
NSDI 2022