ROCE管理平台

软件功能说明：

平台提供集中化RDMA网络管理功能，支持管理授权，支持授权扩展与动态分配

一、自动化部署

– 支持交换机、主机的零接触自动上线；
– 模板化配置下发；
– 一键式智算中心网络初始化。

平台提供设备自动识别与配置向导功能，支持零接触部署（ZTP）。

提供主机侧agent，实现IP地址分配、RoCE参数配置自动化部署

二、全栈拓扑可视化

– 自动发现交换机—GPU—RoCE网卡拓扑；
– 支持链路状态高亮与错误连线定位；
– 自动识别GPU节点内部结构关系。

提供全栈拓扑可视化，自动识别交换机、GPU、RoCE网卡连接关系；支持链路错误检测与可视化告警。

三、智能健康检测

– 提供“训前健康检查”；
– 检测网络连通性、带宽、时延、GPU状态；
– 提前预警潜在风险并生成检测报告。

平台内置“训前健康检测”功能，对作业涉及的节点、网络链路、存储资源执行多维度检测

四、实时性能与流量监控

– 实时采集GPU间通信流量；
– 提供链路级性能监控；
– 可视化展示时延、丢包与PFC阻塞信息。

提供作业感知流量分析模块，实时监控GPU卡间流量与通信路径。

五、随流分析

– 基于作业流识别的实时路径追踪；
– 支持流量路径、时延、抖动、瓶颈定位；
– 关联作业ID生成可视化流量视图。

支持gRPC、NETCONF、SNMP、Telemetry等协议，全面采集物理层运行指标。

提供随流分析功能，对训练作业流进行路径追踪与性能检测。

六、开放集成

– 北向提供RESTful/gRPC API；
– 可与调度系统（Slurm/KubeFlow）集成；
– 支持第三方可视化平台（Grafana、Zabbix）接入。

七、统一设备管理优势

– 平台可统一管理交换机、光模块及服务器设备；
– 支持集中监控交换机配置、光模块状态及主机网卡运行参数；
– 提供统一的运维界面和权限系统，降低运维复杂度。

安全与可靠性设计

一、安全机制
– 支持HTTPS加密通信，防止传输数据泄露；
– 管理端与Agent间采用Token认证与白名单；
– 用户登录采用双因素认证；
– 所有管理操作均可审计。

二、权限与审计
– 多租户与角色访问控制；
– 操作日志集中存储与追溯；
– 系统审计报告导出功能。

三、可靠性与高可用设计
– 控制平面与数据采集平面分离；
– 双机热备与多节点冗余；
– 节点故障自动迁移；
– 集群状态实时同步。

四、容灾与备份
– 支持本地与远程容灾；
– 定期快照与一键恢复功能。

系统部署架构

一、部署环境要求
推荐操作系统：Ubuntu Server 22.04 LTS
兼容版本：Ubuntu 20.04 / CentOS 7+
依赖组件：Docker、Kubernetes（可选）、Python 3.8+、gRPC 库、PostgreSQL

二、部署方式
– 虚拟化部署（VM或私有云）；
– 容器化部署（Docker/K8s）；
– 裸金属部署；
– 支持离线包安装与批量脚本安装。

三、部署架构逻辑
系统分为控制节点、采集节点、分析节点、可视化节点和Agent节点，各节点间通过加密通道通信，实现集中管理与高可用部署。

四、硬件与网络建议
CPU≥8核，内存≥32GB，SSD≥500GB，网络接口≥10GbE，GPU节点支持NVIDIA或昇腾，系统备份采用NFS或对象存储。