1. 项目背景与核心价值
这次沪上签约项目的顺利完成，标志着我们在算力与CDN融合领域迈出了实质性一步。作为基础设施服务商，我们与上海某头部互联网平台达成了为期三年的算力资源+CDN加速综合服务协议。这个项目最核心的价值在于首次实现了分布式算力节点与CDN边缘节点的硬件资源共享，简单来说就是让原本只负责内容分发的CDN节点现在也能提供就近计算服务。
实际操作中发现，客户对fp16半精度算力的需求远超预期，这直接影响了我们后续的硬件选型策略。
2. 技术架构关键突破点
2.1 算力-CDN融合架构设计
项目采用"中心-边缘"二级架构：
- 中心节点部署神州鲲泰310P PCIe算力模组集群（单卡FP16算力达128TFLOPS）
- 边缘节点改造现有CDN服务器，通过加装算力板卡实现异构计算能力
特别在浦东机场附近的边缘节点，我们测试了视频转码场景：
- 传统方案：需回传至中心节点处理，平均延迟380ms
- 新方案：边缘节点直接处理，延迟降至92ms
2.2 算力资源调度系统
开发了基于Java的算力调度平台，核心功能包括：
// GPU资源调度伪代码 public class GPUScheduler { private Map<GPUNode, List<Job>> allocationMap; public void dispatchJob(Job job) { GPUNode bestNode = findNearestNode(job.getLocation()); if(bestNode.checkFP16Capacity(job.getRequiredTFLOPS())) { allocationMap.get(bestNode).add(job); startContainer(job); } } }调度策略考虑因素：
- 物理距离（网络跳数）
- 实时算力负载（通过Pflops指标监控）
- 数据类型匹配（是否支持FP16）
3. 实施过程中的典型问题
3.1 算力单位混淆
客户需求文档中出现"需要50Pflops算力支持"，实际沟通后发现：
- 其业务场景实际需要的是50TFLOPS持续算力
- 原文档将训练阶段的峰值算力与推理所需算力混淆
经验：必须明确算力需求是训练（Pflops级）还是推理（Tflops级）
3.2 CDN边缘节点改造
在徐汇边缘节点遇到硬件兼容性问题：
- 原有CDN服务器电源功率不足
- PCIe插槽版本不匹配 解决方案：
- 更换1200W冗余电源
- 使用PCIe转接卡（x16转x8）
4. 运维监控体系建设
部署了三级监控体系：
- 硬件层：通过IPMI监控算力板卡温度/功耗
- 网络层：BGP路由监测+TCP重传率统计
- 业务层：自定义埋点统计：
- 每TFLOPS算力的视频处理耗时
- 边缘节点命中率
关键监控指标阈值设置：
| 指标项 | 预警阈值 | 严重阈值 |
|---|---|---|
| GPU显存使用率 | 85% | 95% |
| 节点间延迟 | 50ms | 100ms |
| FP16计算错误率 | 0.1% | 0.5% |
5. 后续优化方向
在返程航班上梳理出三个重点：
- 测试AMD Instinct MI210在边缘节点的适配性
- 开发算力资源预测算法（基于历史负载）
- 研究微信小游戏场景的特化CDN策略
这次项目让我深刻体会到，算力与CDN的融合不是简单的硬件堆砌，而是要从业务场景反推架构设计。比如客户直播业务对FP16算力的特殊需求，就倒逼我们改进了整个资源调度策略。
