。

    固定阀位组经历的八小时进风温度曲线会被完整记录,两天后按同样顺序复现。

    供水初温、支路压力、任务初始检查点和储能荷电状态都要回到同一窗口。

    否则一边赶上凉快天气,一边碰上热风,再漂亮的结果也只配拿去哄自己。

    五月十九日上午七点三十分,固定阀位组启动。

    为了压住NodE-d,集群负载限制在百分之六十四。

    八小时后,任务队列完成百分之六十三点七。

    无板卡过温,换热器的平均能力只用了百分之六十七。

    【固定阀位模式】

    【集群安全持续负载:64%】

    【任务队列完成率:63.7%】

    【触发过温保护:0】

    【自动旁路接管与任务联动:关闭】

    【末端换热能力使用率:67%】

    测试结束,服务器停机,循环泵继续运转。

    等冷板、软管和缓冲罐里滞留的热量全部回落,储能重新补至百分之九十三,任务队列恢复到同一初始检查点。

    两天后的上午八点,第二阶段开始。

    S-therlFabric接管集群。

    二十七张170hx重新建立影子窗口。

    同一批矩阵分块、模型推理、代码索引和证明依赖图进入队列。

    【稳定可计算hb约1tib】

    【目标持续时间:8h】

    【允许过温保护:0】

    【允许丢失检查点:0】

    基础矩阵块、模型权重和索引文件已经在备用节点建立只读影子映射。

    S-checkpoint只保存当前分块的增量状态。

    故障发生时,真正需要搬走的只剩上一个检查点之后的变化,而非NodE-b整组显存。

    第一小时,集群It负载稳定在九点八千瓦附近。

    四条支路各跑各的流量。

    NodE-A承担持续矩阵计算,冷却流量最高。

    NodE-c以短时模型任务为主,热峰交给缓冲罐;NodE-d内部板卡差异最大,账上始终留着更厚的安全余量。

    第二小时,复现进风曲线进入升温段。

    末端换热效率下降。

    系统延后两组低优先级任务十七分钟,等第一只缓冲罐恢复,再把它们放回队列。

    十二台风机没被粗暴地同时拉满。

    第三小时,一只流量传感器的读数无故向下漂了八个百分点。

    EvidenceGate核对供回水压差、泵速和阀位反馈,三项数据都不支持支路流量真的下降。

    漂移传感器被降为低置信度来源,控制器继续执行原计划。

    第五小时十二分,江临走到主回路旁,握住NodE-b主回水通路的切断阀。

    前面七十六组故障测试里,这个动作做过很多次。

    最终验证只认这一次。

    阀门落到底。

    第二支路流量迅速归零。

    【bRANch-b主路:流量丢失】

    【疑似故障:等待压力/流量双证据】

    【冻结新任务下发】

    【发起当前检查点写入】

    NodE-b上的八张卡仍在运行。冷板和支路内残留的冷却液给了它们一小段热惯性窗口,按当前负载算,撑不过两分钟。

    第六秒,当前分块结束。

    供回水压差同时越过故障确认阈值。

    【故障确认:压力/流量双证据】

    【启动NodE-b备用旁路】

    第九秒,检查点写入完成。

    第十一秒,NodE-A与NodE-d收到预迁移计划。

    两组节点都没有立即接收迁移负载。

    NodE-b备用旁路开始建立回水能力。

    循环泵同步提速,NodE-A与NodE-d两条迁移目标支路提前增流,分别建立新的水力状态。

    【NodE-A:等待cooLING_REAdY】

    【NodE-d:等待cooLING_REAdY】

    第十八秒,NodE-d入口流量达到计划值。

    第二十一秒,NodE-A压差稳定。

    第二十三秒,两组状态转绿。

    【cooLING_REAdY】

    迁移开始。

    剩余运行时间最长的矩阵分块最先转移,随后是模型推理。日志索引冻结在检查点,证明依赖图扫描降到最低优先级。

    NodE-b负载迅速下降,板卡热点温度还在凭惯性往上走。

    七十三摄氏度。

    七十四点二摄氏度。

    七十五点一摄氏度。

    稳态温度线已经越过,距离故障瞬态上限只剩零点九摄氏度。

    第四十六秒,备用旁路完成接管,新的冷却液进入NodE-b冷板。

    温升曲线停住。

    第七十一秒,曲线开始回落。

    【主回水通路:已隔离】

    【备用旁路:已接管】

    【任务迁移:完成】

    【丢失检查点:0】

    【触发过温保护:0】

    【集群计算状态:继续】

    江临没把切断阀重新打开。

    接下来的两小时四十八分钟,NodE-b一直依靠备用旁路运行。

    迁移期间,集群总算力短暂下降百分之十三。

    冷却状态稳定以后,部分任务重新回到NodE-b。

    下午四点,八小时结束。

    最后一个矩阵分块写入存储。

    二十七张170hx依次退出计算状态,循环泵仍然运转了三十七分钟。

    计算任务可以说停就停,热量不接受行政命令。

    它还留在冷板、软管和缓冲罐里,必须一段一段送出去。

    供电记录同步生成。

    【测试期间平均光伏与风机输出:8.3kw】

    【测试系统平均总电负荷:10.5kw】

    【储能用途:承担功率缺口与切换波动】

    【测试结束储能荷电状态:70%】

    八十千瓦时储能只填补发电与负载之间的缺口,光伏和风机承担了大部分连续供电。

    若把整场测试都算到储能头上,账在第二眼就会穿帮。

    最终报告在主屏上展开。

    【S-therlFabric_v0.1最终验证】

    【测试硬件:与固定阀位模式完全相同】

    【新增泵组:0】

    【新增换热器:0】

    【新增冷板:0】

    【固定阀位模式安全持续负载:64%】

    【热织网模式平均有效负载:96.8%】

    【同任务队列完成率:97.6%】

    【相对固定阀位基准的平均有效负载提升:51.2%】

    【模拟主回水通路完全断流:1条】

    【故障确认时间:6s】

    【检查点完成时间:9s】

    【冷却就绪与任务迁移启动:23s】

    【备用旁路接管:46s】

    【触发过温保护:0】

    【丢失检查点:0】

    【不可恢复任务:0】

    【断流故障瞬态温度上限:76c】

    【实测最高板卡热点温度:75.1c】

    【结果:通过】

    二十七张卡没变。

    泵组、阀门、冷板和换热器也没变。

    固定阀位模式只能安全释放百分之六十四的持续负载,热织网把平均有效负载推到了百分之九十六点八。

    系统从头到尾没多造出一瓦冷量。

    它只做了三件事。

    提前知道热会在哪里产生,给那条支路留出接住热峰的预算,让冷却能力先于迁移任务抵达目标节点。

    现在,算力、显存和冷却能力终于出现在同一张调度表上。

    江临在报告最后写入适用边界。

    【以上提升仅对当前四节点异构集群成立。】

    【不得直接外推至其他机柜、板卡或冷却架构。】

    【任何新硬件必须重新标定热阻、流量、响应延迟与安全余量。】

    百分之五十一点二无法当成通用节能率塞进宣传页。

    换一批板卡,换一种冷板,甚至把软管缩短几米,原有参数都可能作废。

    破解隐藏窗口以后,二十七张170hx拥有了更多可用显存。

    接入S热织网以后,它们才第一次组成一座能在冷却故障中继续工作的计算集群。

    江临建立现实成果包。

    【S-therlFabric_Reality_v0.1】

    成果包拆成六个部分。

    tF-Runti负责算力任务与冷却支路的联合调度。

    tF-branchLedger记录持续排热能力、响应窗口热预算、在途热量和恢复时间。

    tF-coolingReady_ApI把冷却就绪状态送进任务迁移链。

    tF-cabcontroller管理温度、压力、流量、阀组与泵组。

    tF-Faultte

本章未完,请点击下一页继续阅读>>

章节目录