OpenAnolis：2026智算集群基础设施运维通用技术要求（27页）.pdf

1、 智算集群基础设施运维通智算集群基础设施运维通用技术要求用技术要求 General Technical Requirements for Operation and Maintenance of Intelligent Computing Cluster Infrastructure V 1.0 智算集群基础设施运维通用技术要求 第 2 页 目录目录 编者.3 1.引言.4 2.缩略语与术语.5 3.运维参考架构.7 4.关键运维组件功能要求.8 4.1.硬件管理.8 4.1.1.设备纳管.8 4.1.2.配置管理.11 4.1.3.性能管理.13 4.1.4.告警管理.15 4.1.5.日志

2、管理.16 4.2.GPU 运维.17 4.2.1.GPU 配置管理.17 4.2.2.GPU 驱动管理.17 4.2.3.GPU 指标监控.18 4.2.4.GPU 健康检查.18 4.2.5.GPU 故障自愈.19 4.2.6.GPU 故障诊断.19 4.2.7.性能压测.19 4.3.智算集群运维.20 4.3.1.平台资源监控.20 4.3.2.性能管理.21 4.3.3.告警管理.21 4.3.4.日志管理.22 4.4.网络运维.22 4.4.1.拓扑可视化.22 4.4.2.网络检测.23 4.4.3.网络故障诊断.24 4.4.4.网络调优.25 4.5.作业运维.25 4.5

3、.1.作业监控.25 4.5.2.作业可观测.25 4.5.3.作业劣化分析.25 4.5.4.作业故障诊断.26 4.5.5.性能调优.26 5.修订记录.27 智算集群基础设施运维通用技术要求 第 3 页 编者编者 文档参编单文档参编单位位：中兴通讯股份有限公司、中国信息通信研究院、阿里云计算有限公司、上海壁仞科技股份有限公司、上海天数智芯半导体股份有限公司、浪潮电子信息产业股份有限公司、上海寒武纪信息科技有限公司、昆仑芯（北京）科技股份有限公司、瀚博半导体（上海）股份有限公司（排名不分先后）文档参编组织文档参编组织：龙蜥社区智算联盟 智算集群基础设施运维通用技术要求 第 4 页 1.引言

4、引言 随着“全国一体化算力网建设”、“算力互联互通行动计划”的稳步推进，2026 年“十五五”规划纲要对算力基础设施建设提出了更高的要求：”加快国家枢纽算力设施集群建设，论证建设超大规模智算集群，推动绿色电力与算力协同布局，降低中小企业用算成本。“智算基础设施建设的飞速发展，集群规模的不断扩大，使得集群基础设施运维的痛点日益突显。软硬件协同断层、跨产品运维壁垒、智能运维技术应用碎片化、面向 AI 智能体的算力支撑功能缺失等问题，将会制约产业的高质量发展。龙蜥社区智算联盟依托社区平台，联合智算硬件设备商、集群软件厂商、软件集成商，深入研究智算集群基础设施运维体系，分析具体应用场景，结合业界运维痛

5、点，提出了针对智算集群软硬件基础设施的运维通用技术要求。该技术要求的编写旨在打通智算软硬件、跨主体运维断点，补齐 AI 智能体底层算力协同短板；为支撑智算集群基础设施稳定运行，提供运维体系架构、关键运维功能的标准化建议。本文件提出了智算集群基础设施端到端运维的参考架构，定义了参考架构的设计原则。从智算项目运维视角，对硬件基础设施管理、GPU 运维、智算集群软件基础设施运维、网络运维、智算作业运维等关键组件的功能进行了定义。为智算集群软硬件产品生产商、系统集成商在系统设计、产品制造、运维集成方面提供指导，为第三方测评机构实施智算集群运维体系和功能的测试和评价提供参考。智算集群基础设施运维通用技术

6、要求 第 5 页 2.缩略语与术语缩略语与术语 1.缩略语缩略语 缩略语缩略语 英文英文 中文中文 BMC Baseboard Management Controller 基板管理控制器 IPMI Intelligent Platform Management Interface 智能平台管理接口 SNMP Simple Network Management Protocol 简单网络管理协议 SMI-S Storage Management Initiative-Specification 存储管理倡议规范 BIOS Basic Input/Output System 基本输入输出系统 CD