---

---

核心问题清单

1. 超大规模集群调度效率瓶颈​

• 现象：作业提交后平均等待时间超过15分钟，资源利用率仅65%
• 尝试方案：
  • 已启用多瑙调度器的抢占式调度策略
  • 配置了CPU/Memory/NUMA亲和性策略
• 待解问题：
  • 如何优化调度策略应对突发性计算任务洪峰？
  • 是否支持基于机器学习的历史负载预测调度？

2. 异构计算资源协同管理​

• 架构：混合部署鲲鹏+AMD EPYC计算节点
• 痛点：
  • OpenFOAM作业在AMD节点运行时出现MPI通信异常
  • 不同架构节点间的存储I/O性能差异显著
• 求助方向：
  • 是否有成熟的异构集群资源调度方案？
  • 如何统一不同架构节点的SLURM配置参数？

3. 存储网络性能优化​

• 配置：
  • 采用NFS+CEPH混合存储架构
  • 网络层使用RoCEv2+InfiniBand混合组网
• 异常现象：
  • 大文件读写时出现网络拥塞（iperf3测试带宽仅达理论值60%）
  • Ceph OSD日志频繁报"slow metadata requests"
• 已尝试：
  • 调整IB交换机MTU为9000
  • 启用Ceph的CRUSH算法优化
• 待突破：
  • 如何定位网络拥塞的具体发生节点？
  • 是否有鲲鹏平台专用的网络调优参数？

4. 关键应用性能调优​

• 应用场景：
  • WRF气象模型（800万网格点）
  • GROMACS分子动力学（1000万原子体系）
• 性能瓶颈：
  • 内存带宽成为制约因素（numastat显示局部性得分<0.7）
  • AVX-512指令集使用导致频率波动
• 求助需求：
  • 是否有鲲鹏KML数学库的深度调优案例？
  • 如何平衡AVX-512使用与能效比？

---

补充信息

• 集群配置：

  # 节点配置示例
  CPU: Kunpeng 920 (64核@2.6GHz)  
  内存: 2TB DDR4-3200 (8通道)  
  存储: 24x 3.84TB NVMe SSD RAID10  
  网络: 200Gbps InfiniBand + 100Gbps RoCEv2

• 软件栈：
  • 操作系统：openEuler 22.03 LTS
  • 调度器：Slurm 21.08.5 + 多瑙调度插件
  • MPI：OpenMPI 4.1.1 + UCX 1.12.1
  • 数学库：OpenBLAS 0.3.18 + Kunpeng KML 3.0

---

期待解决方案