算网融合调度的核心挑战

算网融合调度面临的首要挑战是算力与网络属性的异构性。算力属性相对稳定——一张加速卡的型号和显存容量在生命周期内不会改变，而网络属性则高度动态——带宽可能因拥塞而波动，延迟可能因路由变化而跳变，丢包率可能因链路质量而起伏。调度器需要同时处理这两类性质迥异的属性，并在决策时进行综合权衡。

第二个挑战是网络状态的实时感知。算力调度器通常维护着一个全局的资源视图，但这个视图的更新频率相对较低——秒级甚至分钟级。网络状态的变化频率远高于此——微秒级的延迟抖动、毫秒级的带宽波动在网络中是常态。调度器需要在不增加过多开销的前提下，获取足够新鲜的网络状态数据来支撑决策。

第三个挑战是多任务对网络需求的分化。不同任务对网络的敏感度差异巨大——数据并行训练任务对节点间通信带宽极为敏感，而单卡推理任务几乎不依赖网络；数据密集型任务对数据源到计算节点的下行带宽要求高，而模型并行训练任务则对节点间的双向带宽都有严格要求。调度器需要理解每个任务的网络需求特征，并将其与节点的网络能力进行精确匹配。

算力度量的多维指标体系

在算网融合的框架下，算力度量需要超越简单的“浮点算力”或“显存大小”等单一指标，建立多维度的评价体系。息壤平台的算力度量体系包含计算能力、存储能力和互联能力三个一级维度。

计算能力维度涵盖加速卡的浮点算力、张量核心数量和时钟频率。这些指标反映了节点在纯计算任务上的理论峰值性能。但理论峰值与实际表现之间存在差距——散热条件、电源管理和驱动版本都会影响实际算力。因此，息壤平台在理论指标之外，还引入了基准测试指标。基准测试使用标准化的模型和数据集在节点上实际运行，测量每秒处理的样本数或Token数，作为算力的实际度量。基准测试定期执行，结果存入算力数据库，供调度器查询。

存储能力维度涵盖显存容量、显存带宽和主机内存带宽。显存容量决定了节点能够加载的模型大小，显存带宽影响了数据在显存与计算核心之间的传输效率，主机内存带宽则影响了数据在主机与设备之间的搬移速度。这三个指标共同决定了节点在处理大模型时的存储瓶颈位置。

互联能力维度涵盖节点内卡间互联带宽和节点间网络带宽。节点内卡间互联带宽反映了多卡并行训练时梯度同步的效率，节点间网络带宽则反映了跨节点分布式训练时的通信效率。互联能力的度量不仅包括理论带宽，还包括实际测量的有效带宽——后者考虑了协议开销和链路质量的影响。

网络感知的实时采集与建模

网络感知是算网融合调度的另一支柱。息壤平台在网络的各个关键节点部署了探针，持续采集网络状态数据。

探针的部署位置包括每个计算节点的网络接口、核心交换机的端口以及数据中心互联链路的端点。探针采集的指标包括带宽利用率、往返延迟、丢包率和重传率。采集频率为秒级，对于延迟和丢包等敏感指标，采集频率提高到毫秒级。探针之间还通过主动探测的方式测量端到端的网络质量——每个探针定期向其他探针发送探测包，测量路径上的延迟和丢包情况。

采集到的网络状态数据被汇聚到网络感知服务中。网络感知服务对这些数据进行清洗和聚合，去除异常值，计算滑动窗口内的平均值和百分位值。聚合后的数据以时间序列的形式存储，供调度器查询。网络感知服务还提供了预测能力——基于历史数据中的周期性规律，预测未来一段时间内的网络状态变化趋势。预测能力使得调度器能够在网络恶化之前做出预防性的调度决策。

网络感知服务对外暴露的接口包括单点查询和路径查询两种。单点查询返回某个节点的网络状态摘要，路径查询返回两个节点之间的端到端网络质量评估。调度器在决策时，根据任务的具体需求调用相应的接口获取网络信息。

算力与网络的联合评分模型

有了算力度量和网络感知的数据基础，息壤平台构建了算力与网络的联合评分模型。联合评分模型将算力分数和网络分数按照任务的敏感度权重进行加权合成，得到每个候选节点的综合评分。

算力分数的计算基于算力度量体系中的各项指标。对于训练任务，计算能力维度的权重较高；对于推理任务，存储能力维度的权重较高。算力分数经过归一化处理，取值范围在零到一百之间。归一化的基准是集群中同类节点的最佳表现——理论峰值最高的节点得分一百，其他节点按比例折算。

网络分数的计算基于网络感知服务提供的路径质量数据。对于需要频繁与其他节点通信的任务——例如数据并行训练——网络分数考虑的是该节点与所有协同节点之间的平均通信质量。对于需要从特定数据源加载数据的任务——例如数据密集型训练——网络分数考虑的是该节点与数据源之间的通信质量。网络分数同样经过归一化处理，取值范围在零到一百之间。

联合评分的计算公式为：综合评分 = α × 算力分数 + (1 - α) × 网络分数。α是任务敏感度权重，取值范围在零到一之间。α的取值由任务类型决定——对于网络敏感型任务，α取值较小，网络分数的影响更大；对于算力敏感型任务，α取值较大，算力分数的影响更大。α的默认值由系统根据任务的历史表现自动学习，用户也可以在提交任务时手动调整。

网络感知的调度决策流程

基于联合评分模型，息壤平台的调度器在执行资源分配时，将网络感知融入决策流程的各个环节。

当一个新的任务提交时，调度器首先解析任务的资源需求，包括算力需求、存储需求、网络需求以及任务类型。网络需求的解析是关键步骤——调度器根据任务类型和用户声明，推断任务对网络带宽、延迟和丢包的敏感度。例如，一个声明了数据并行策略的训练任务，调度器会自动为其分配较高的网络敏感度权重。

调度器从全局资源视图中筛选出满足算力和存储需求的候选节点。然后，对于每个候选节点，调度器调用网络感知服务查询该节点与相关端点之间的网络质量。相关端点包括数据源、模型仓库和其他协同节点。查询结果被输入联合评分模型，计算每个候选节点的综合评分。

调度器按照综合评分从高到低对候选节点进行排序，选择评分最高的节点作为目标节点。如果评分最高的节点在后续的资源预留或任务启动过程中出现问题，调度器会顺延选择下一个节点。调度决策完成后，调度器将决策结果和评分明细记录到审计日志中，供后续分析和调优使用。

动态重调度与网络自适应

网络状态的动态性决定了调度决策不能一劳永逸。息壤平台引入了动态重调度机制，当网络状态发生显著变化时，自动评估是否需要将任务迁移到更优的节点上。

动态重调度的触发条件包括网络质量恶化、网络质量改善和新的优质节点加入。网络质量恶化是指任务所在节点与关键端点之间的网络质量下降到低于预设阈值——例如延迟翻倍或丢包率超过百分之一。网络质量改善是指原来不满足条件的节点现在具备了更好的网络条件。新的优质节点加入是指集群中新增了算力和网络条件都更优的节点。

当触发条件满足时，调度器对受影响的任务进行重调度评估。评估过程与新任务调度类似，但增加了一个迁移成本的考量——迁移任务需要保存当前状态、传输数据到新节点、在新节点上恢复运行，这个过程本身会消耗时间和资源。只有当迁移后的预期收益大于迁移成本时，调度器才会执行重调度。

对于网络敏感度高的任务——例如正在进行梯度同步的训练任务——调度器会降低重调度的触发阈值，更积极地响应网络变化。对于网络敏感度低的任务——例如已经进入稳定推理阶段的服务——调度器会提高触发阈值，避免频繁迁移带来的抖动。

算网融合的收益度量

算网融合调度的效果需要通过持续的收益度量来验证。息壤平台建立了多层次的收益度量体系。

任务层面的收益度量关注的是单个任务的完成时间和资源效率。通过对比使用算网融合调度前后的任务完成时间，可以量化网络感知带来的性能提升。息壤平台的统计数据显示，对于网络敏感型的分布式训练任务，算网融合调度平均缩短了百分之十五到百分之二十五的训练时间，主要得益于避免了将任务调度到网络瓶颈节点上。

集群层面的收益度量关注的是整体资源利用率和吞吐量。算网融合调度通过更精确的资源匹配，减少了因网络瓶颈导致的资源闲置。集群的整体吞吐量——单位时间内完成的任务数量——在实施算网融合调度后有了显著提升。

用户层面的收益度量关注的是用户体验的改善。任务的排队时间缩短，任务的完成时间更加可预测，用户的满意度随之提升。息壤平台通过用户反馈调查和NPS评分来量化用户体验的改善程度。

结语

算网融合调度的算力度量与网络感知联动，是将调度决策从单一维度的资源匹配提升到多维度的协同优化的系统工程。息壤平台通过建立多维算力度量体系、部署实时网络感知探针、构建联合评分模型、融入网络感知的调度决策流程、实施动态重调度与网络自适应以及建立收益度量体系，打破了算力调度与网络管理之间的传统壁垒。这套体系在实际运营中显著提升了分布式训练任务的完成效率，减少了因网络瓶颈导致的资源浪费，为用户提供了更加稳定和可预测的服务体验。随着算力网络架构的持续演进——从数据中心内互联走向城市级和国家级算力枢纽互联——网络因素在调度决策中的权重还将进一步提升。息壤平台将继续在算网融合调度领域深耕，探索更精细的网络感知粒度、更智能的联合优化算法和更高效的动态重调度机制，为下一代算力基础设施的调度体系贡献工程实践。