阿里、字节跳动、腾讯三家云计算及AI服务商共同推动三份XPU带外管理规范的联合发布与开放共建。三份规范分别覆盖模组Redfish接口、卡级PLDM/PDRs定义,以及不带独立管理控制器的XPU带外能力。

打开网易新闻 查看精彩图片

这件事的起点很具体:一套算力集群接入了不同厂商的加速模组与加速卡。温度能读、功耗能看,设备也各有管理工具。可当链路降速、设备异常或需要批量升级时,运维团队仍然要翻阅不同的文档、切换不同的工具,为每一家厂商编写专门的处理流程。

硬件形态和管理协议各有选择,但共同能力、数据含义和操作行为缺少一致约定,仍会带来反复适配。这些差异最终变成服务器集成、BMC固件和运维平台中的厂商分支、专用脚本与重复验证。新产品接入要重新适配,旧产品升级要重新回归,故障分析还要重新拼接证据。

三份规范各自管什么

《XPU模组标准化Redfish接口设计规范》面向带有模组管理控制器的场景,基于DMTF Redfish技术体系,约定主机BMC与模组BMC之间的资源模型和操作行为,覆盖资产与健康、互联状态、事件通知、日志采集及固件升级等管理流程。

《XPU卡PLDM及PDRs定义规范》面向PCIe标卡、OAM等形态,明确带外通信通道与PLDM协议要求,覆盖部件资产信息、固件升级、加速器管理及诊断文件传输等内容。PLDM是平台级数据模型协议;PDRs是平台描述记录,用于描述管理对象、传感器和控制项,以及它们之间的关联。

《XPU(不带xMC)带外能力标准规范》面向PCIe标卡,以及不带独立管理控制器、由服务器BMC直接管理的XPU场景,提出五类能力要求,并区分强制与推荐条目:

  • 数据采集
  • 固件升级
  • 日志收集
  • 电源与功耗管控
  • 稳定性

规范还明确升级包校验、升级结果查询、故障码与芯片诊断数据获取等要求,并约束高频访问、消息超时恢复及带外访问对带内业务的影响。

差异被表达,共同能力被复用

三份规范分别明确能力要求、协议与数据描述、模组管理接口,形成相互补充的标准化基础。不同硬件形态可以采用相应的管理路径,共同管理需求则有机会在更清晰的约定下实现和验证。

硬件访问、驱动适配和内部实现仍由各方根据产品特点完成。厂商可以继续在芯片架构、互联技术、诊断深度和可靠性设计上投入,同时让共同管理能力以一致方式呈现。确需扩展的能力,应在相应规范的扩展与兼容约定下演进,保持已有数据和操作含义稳定。

对XPU厂商,共同能力与协议约定有望降低重复对接成本;对服务器与BMC厂商,更稳定的管理基线有助于减少逐型号分支;对云计算及AI服务商和最终运维,更一致的数据含义与操作结果,有助于统一资产管理、告警分析、诊断采集和升级编排。

当状态、拓扑、错误与操作结果具有共同含义,规则系统和智能运维工具才能更稳妥地关联证据、提出处置建议,并核对处置是否生效。

三份规范将以草案为起点,在评审、实现与验证中不断完善。三家厂商的共建是起点,更多参与者的实践将决定标准能够走多远。