算力资源有限，，，调度优化问题紧迫。。OpenAI 此前在技术博客《Scaling Kubernetes to2,500 nodes》中提到，，OpenAI k8s 集群从500 nodes 扩展到2500 nodes 时遇到诸多存储、、、、网络和资源初始化问题
，，通过可视化监控工具Datadog 发现ETCD（一种Key-Value 存储服务）写数据存在几百毫秒延迟，，，，list API 被频繁调用、、、、Fluentd 和DataDog 频繁侵占资源等问题。。

什么是算力调度？
？在云计算中，
，，资源调度是一个非确定性多项式优化问题，，，往往会出现“拆东墙补西墙”这样的情况，，因此云计算的算力调度必须考虑每个算力资源请求的需求边界，
，，，比如OpenAI 团队使用“balloons”占位策略解决资源排队问题
：

用一个低优先级pod 占着整个节点，
，，，要用节点的时候被自动驱逐掉
；使用污点策略手动分配每个训练请求能使用的节点
。。。
。

GPU 超算集群中
，，暴露出的不只是算力调度问题。
。。。在此前对英伟达AI 超算的研究中，，，，我们的结论是：通信网络是制约数据中心算力高低的关键因素。。。。在多线程并行计算下，，通信成为制约算力的短板，
，，，只要有一条交换链路出现网络阻塞或丢包
，，
，，就会产生I/O 延迟；又如GH200 新增显存互联功能
，，我们认为，
，相对于无显存互联的超算，，GH200 对API server 的并发访问量是指数级增长，，将对硬件资源调度提出更高挑战
。。

多点硬件部署监控效率更高。。我们注意到，
，，
，OpenAI 在针对网络监控进行优化时发现Prometheus 这类监控系统时常会导致OOM（Out of Memory，，，，内存溢出），，
，，从而不得不削减查询频率；每次初始化pod，
，Prometheus 都要重写WAL（Write-aheadlogging，，，，预写式日志）拉长启动时间。。我们认为，，
，，以上问题都可以通过嵌入式的多点硬件层监控系统避免上述问题
。。我们认为，
，，
，在传统的计算式和I/O 式云计算中，，
，，外部串接监控服务器即可满足监控需求，，而GPU 集群时代，
，需要并接部署“联邦集群”并进行不同监控服务器的功能划分
，，
，最后进行北向汇聚
，，
，，有望提升监控采集效率、、、降低超算本身的资源侵占。。

网络可视化技术在国内外均处于探索迭代过程中，，，国内相关厂商的潜在机会巨大。。
。

在北美
，，，目前主流的监控工具是Netscout、、、Prometheus、、、Datadog 等，，都是基于在超算本地化部署；但在多点硬件部署的AI 超算中
，，，，软硬件结合的厂商成长性有望更为充分，，经过多年经验积累的相关国内DPI 厂商，，形成了高容量下的数据监控能力，，，，有望成为全球算力调优的上游关键角色。。

投资建议：

1）重视GPU 超算集群中交换网络性能的重要性，，而光通信是现有技术下几乎无法替代的交换网络方案
，，关注光通信：中际旭创
、
、新易盛、
、、天孚通信
、、、、太辰光、、
、、腾景科技、、、德科立、、联特科技
、、、
、华工科技、、、源杰科技、、剑桥科技；算力设备
：中兴通讯、、
、、紫光股份
、、、锐捷网络
、、、、菲菱科思、、恒为科技
、、
、、工业富联、、寒武纪、、、、震有科技。。

2）重视网络可视化及算力资源调优策略的软硬件厂商，，，该品种目前存在较大预期差，，，关注恒为科技
、、、、浩瀚深度、
、中新赛克
。。

风险提示：AI 发展不及预期
，，算力需求不及预期。。。

知前沿，，，，问智研。
。智研咨询是中国一流产业咨询机构，，，十数年持续深耕产业研究领域，，
，，提供深度产业研究报告、、、商业计划书、、、、可行性研究报告及定制服务等一站式产业咨询服务
。。。。专业的角度、、、、品质化的服务、、敏锐的市场洞察力
，，，，专注于提供完善的产业解决方案
，，，，为您的投资决策赋能。。。。

转自国盛证券有限责任公司 研究员：宋嘉吉/黄瀚/赵丕业/邵帅

10000 12800