Региональный облачный провайдер

Задача

Провайдер масштабировал обучающий GPU-кластер до 4000 GPU в нескольких залах дата-центра, однако сетевая фабрика была собрана из решений трёх поставщиков: один — коммутация, второй — оптика, третий — поддержка интеграции.

Заявки на устранение проблем совместимости между версиями ПО архитектуры spine-leaf и сторонней кабельной продукцией отнимали недели интеграционной работы перед каждой волной расширения, а при инцидентах на фабрике, затрагивающих несколько поставщиков, не было единого канала ответственности.

Решение

Фабрика стандартизирована на семействе коммутаторов S6700 уровня spine под управлением SONiC с оптикой 400G MPO и внутристоечными кабельными сборками ACC 1.6T из той же квалифицированной линейки оптических модулей.

Ряды GPU-узлов G6400 с воздушным охлаждением дополнялись рядами узлов G4400-C с жидкостным охлаждением там, где плотность энергопотребления зала этого требовала, при сохранении одного поставщика для вычислений, фабрики и кабельной системы.

Развёрнута платформа Apollo Cloud AI для телеметрии фабрики в реальном времени: состояние кластера и диагностика на уровне портов доступны в едином интерфейсе вместо инструментов трёх разных поставщиков.

Результаты

• 4000 GPU введены в эксплуатацию на фабрике со спецификацией от одного поставщика, с единой службой гарантийной поддержки и единым каналом эскалации.
• Волны расширения больше не блокируются на этапе согласования межвендорной совместимости; квалифицированная кабельная матрица исключает валидацию оптики для каждой волны.
• Телеметрия фабрики через Apollo сократила среднее время диагностики инцидентов на уровне портов во время сеансов обучения.