# Kun Qian Alibaba Group（Alibaba Cloud）所属。[[@2025__SIGCOMM__SkeletonHunter - Diagnosing and Localizing Network Failures in Containerized Large Model Training]](SIGCOMM 2025)の共著者(第 2 著者)。 - [[@2024__SIGCOMM__Alibaba HPN - A Data Center Network for Large Language Model Training]](SIGCOMM 2024)の**筆頭著者**。[[Alibaba HPN]] を設計・本番展開した中心人物。LLM 訓練の elephant flow パターンに対応する 2 層デュアルプレーン + 非スタック型デュアル ToR + レール最適化トポロジを考案し、DCN+ 比で訓練スループット 14.9% 向上を達成。 - [[@2025__NSDI__Evolution of Aegis - Fault Diagnosis for AI Model Training Service in Production]](NSDI 2025)では equal contribution の筆頭著者の一人。AI モデル訓練クラウド向け障害診断システム [[Aegis]] を手がける。 - [[@2024__arXiv__Unicron - Economizing Self-Healing LLM Training at Scale]](arXiv 2024)の共著者(第 4 著者)。[[Megatron-LM]] 基盤の自己修復ワークロードマネージャ [[Unicron]] の設計・評価に参画。 ## 関連 - ソース: [[@2024__SIGCOMM__Alibaba HPN - A Data Center Network for Large Language Model Training]] / [[@2025__SIGCOMM__SkeletonHunter - Diagnosing and Localizing Network Failures in Containerized Large Model Training]] / [[@2025__NSDI__Evolution of Aegis - Fault Diagnosis for AI Model Training Service in Production]] / [[@2026__NSDI__EROICA - Online Performance Troubleshooting for Large-scale Model Training]] / [[@2024__arXiv__Unicron - Economizing Self-Healing LLM Training at Scale]] - 所属: [[Alibaba Group]] / [[Alibaba Cloud]] - 関連システム: [[Aegis]] / [[Unicron]] - 共著者: [[Wei Liu]] / [[Zhenhua Li]] / [[Ennan Zhai]] / [[Tao He (Alibaba)]] / [[Jingren Zhou]]