# R-Pingmesh R-Pingmesh は、BUPT と [[Douyin Vision]] らが SIGCOMM 2024 で提案した、初のサービス認識型 RoCE ネットワーク監視・診断システムである。先行研究 [[Pingmesh]](TCP/物理ネットワーク版、[[@2015__SIGCOMM__Pingmesh - A Large-Scale System for Data Center Network Latency Measurement and Analysis]])を RoCE へ拡張したもの。 - Agent・Controller・Analyzer の 3 モジュールから成り、Cluster Monitoring と Service Tracing の 2 機能を持つ。 - 市販 RNIC の標準インターフェース(verbs API)と UD QP・CQE タイムスタンプを用い、ネットワーク RTT とエンドホスト処理遅延を低オーバーヘッドで正確に測定する。 - ToR-mesh プロービングで異常 RNIC をリアルタイム検知し、RNIC 起因とネットワーク内のパケットドロップを区別する。 - 数万枚の RNIC に 6 か月以上展開され、Douyin Vision の RoCE ネットワークで最重要の監視・診断システムとなった。 - [[@2025__SpeakerDeck__AIスーパーコンピュータにおけるLLM学習処理性能の計測と可観測性]] では、NCCL のエラー表示だけではアプリケーションかインフラかを切り分けにくい例に対し、RNIC to RNIC の能動プロービングによる RoCE ネットワーク監視として R-Pingmesh が紹介される。講演者による `yuuki/rpingmesh` 実装は、Go、libibverbs、eBPF kprobe、gRPC、Rqlite、OpenTelemetry を組み合わせた技術スタックとして示される。 - [[@2025__ICPADS__Classifying Host-Side RDMA Pingmesh Results to Efficiently Identify Transport Faults in Data Centers]](ICPADS 2025)は R-Pingmesh 自体を提案するのではなく、R-Pingmesh が収集するホスト側の RTT・帯域・パケットロス率の測定結果を入力として LSTM 分類器(RTFD)にかけ、事前学習+教師ありファインチューニング(SFT)の二段階でトランスポート障害の分類・障害セグメント単位の局所化を自動化する後続研究である。R-Pingmesh 自体が持つ「誤検知の人手フィルタリング」「RNIC パケットロス根本原因の独立識別困難」「特殊トポロジへの人手デプロイ調整」という課題を、RTFD は分類器の自動化と SFT によるトポロジ適応で緩和しようとする。 ## 関連 - [[@2024__SIGCOMM__R-Pingmesh - A Service-Aware RoCE Network Monitoring and Diagnostic System]] - [[@2025__SpeakerDeck__AIスーパーコンピュータにおけるLLM学習処理性能の計測と可観測性]] - [[@2025__ICPADS__Classifying Host-Side RDMA Pingmesh Results to Efficiently Identify Transport Faults in Data Centers]](R-Pingmesh データを用いた LSTM 障害分類器) - [[Pingmesh]](先行研究) - [[Douyin Vision]] / [[BUPT]]