AWS开源HyperPod静默数据损坏检测与恢复流程
热点事件历史事件
AWS开源HyperPod静默数据损坏检测与恢复流程
1 篇报道1 个报道来源7 天前更新
先了解这件事
AI 综述
Amazon SageMaker HyperPod团队开源了一套用于PyTorch DDP分布式训练的静默数据损坏检测与节点恢复流程,通过梯度检查、环形重放审计和权重指纹比较定位异常,并隔离替换可疑节点、从告警窗口前的检查点恢复训练。 该方案已在配备32张NVIDIA H100 GPU的集群上测试,团队建议从每100步执行一次确定性审计开始,其实测开销为10.1%;单次确定性审计步骤耗时是默认步骤的2.4倍。环形审计每次定案需3个节点,权重比较需每份权重有3个副本;仅在非审计步骤发生一次且未再次出现的有限故障无法被捕获。
AI 根据报道生成 · 7 天前更新
最新进展11月12日 07:30
在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏报道时间线
沿着报道,了解事件的不同侧面。
11月12日
- AWS Machine Learning Blog精选在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏
Amazon SageMaker HyperPod 团队介绍如何通过梯度检查、环形重放审计和权重指纹比较,检测分布式训练中的静默数据损坏。检测到异常后,可将可疑 rank 映射到节点,隔离并更换故障节点,再从告警窗口之前的检查点恢复训练。方案已在配备 32 张 NVIDIA H100 GPU 的 PyTorch DDP 集群上测试,确定性审计每 100 步的实测开销为 10.1%。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 711月12日 19:00
- 近 24 小时变化
- -51%
02468
11月13日06:0012:0018:0011月14日06:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。