附录：术语与符号表

术语

术语（中文）	英文	定义/约定	首次出现章节
虚拟文件系统	VFS (Virtual File System)	Linux 文件系统抽象层，统一所有 FS 接口，应用只与 VFS 打交道	1
目录项缓存	dentry (directory entry cache)	缓存目录项以加速路径查找	1
索引节点	inode	文件元数据（大小/权限/块列表），一个文件全局唯一	1
页缓存	page cache	内核把读过的文件内容缓存在内存（4 KB/页）的统一缓冲	1
脏页	dirty page	已写入 page cache 但尚未刷盘的页	1
写回	writeback	后台线程把 dirty page 刷到磁盘的机制	1
直接 IO	O_DIRECT	绕过 page cache 直接读写设备，用于测硬件真实能力	1
块 IO 单元	bio (block I/O)	block layer 的一次 IO 请求单元	1
IO 等待时间	await	iostat 中 IO 请求从入队到完成的平均等待	1
放置组	PG (Placement Group)	对象与 OSD 之间的中间层，聚合成组后作为一个放置单位	2
纠删码	EC (Erasure Coding)	数据切 k 块 + m 块校验，任意 m 块丢失可恢复	2
副本	replica	数据多份复制以抗故障，空间利用率 1/副本数	2
写放大	write amplification	实际写入量 / 有效数据量（副本3=3，EC(4,2)=6）	2
可控可扩展哈希	CRUSH	Ceph 的数据分布算法，基于集群拓扑的分层放置	2
聚合带宽	aggregate bandwidth	集群所有节点并行读的总吞吐，厂商宣传口径；与单客户端带宽相对	3
单客户端带宽	single-client bandwidth	单个客户端进程实际能分到的读带宽，训练 worker 的真实体验	3
流式 IO	streaming I/O	大块顺序读写的 IO 模式，训练数据集典型	3
突发 IO	bursty I/O	短时高并发读、稳态几乎为 0 的 IO 模式，推理冷启动典型	3
远程直接内存访问	RDMA	网卡直接读写远端内存/显存，绕过 CPU 与内核	4
无损网络	lossless network	PFC/ECN 保证不丢包的网络，RDMA 的前提	4
优先级流控	PFC	按优先级独立暂停上游发送的链路层机制	4
显式拥塞通知	ECN	交换机在 IP 头标记拥塞，端到端软降速	4
拥塞通知包	CNP	ECN 标记后接收端回给发送端的通知包	4
数据中心量化拥塞控制	DCQCN	ECN 的端到端算法，RP/NP/CP 三角色	4
集合通信	collective communication	多对多的数据交换操作（AllReduce/AllGather 等）	5
归约	AllReduce	所有 rank 的数据求和后分发回每个 rank	5
全收集	AllGather	每个 rank 拿到所有 rank 的数据	5
归约-散播	ReduceScatter	每个 rank 拿到求和结果的 1/N 部分	5
广播	Broadcast	根 rank 的数据发送给所有 rank	5
全交换	AllToAll	每个 rank 给其他每个 rank 各发一份数据	5
算法带宽	algbw	size/time，算法视角吞吐	5
总线带宽	busbw	algbw × 2(N-1)/N（AllReduce），与硬件峰值可比	5
环算法	Ring algorithm	带宽最优的 AllReduce，两阶段 N-1 步	5
流式多处理器	SM (Streaming Multiprocessor)	GPU 的计算单元，util 指标统计的是 SM 活跃占比	6
显存利用率	FB_USED	已用显存（MB），DCGM 指标	6
双比特纠错	Double Bit ECC	不可纠正的显存错误，Xid 48	6
掉线	fall off the bus	GPU 从 PCIe 总线消失，Xid 79	6
张量并行	TP (Tensor Parallel)	把模型权重切分到多卡并行计算	6
KV 缓存	KV cache	注意力机制的 K/V 中间结果缓存，随 token 生成增长	7
分页注意力	PagedAttention	把 KV cache 切成 block 按需分配，消除显存碎片	7
连续批处理	Continuous Batching	请求完成即让位，GPU 保持满载的调度方式	7
静态批处理	static batching	攒满一批再处理，batch 内最慢请求拖累整批	7
首 token 延迟	TTFT	从发请求到收到第一个 token 的时间	7
单 token 延迟	TPOT	每生成一个 token 的耗时	7
成组调度	Gang scheduling	一整组资源同时可用才调度，避免半启动 hang	8
公平分享	Fair-share	按历史用量比例分配资源	8
抢占	Preemption	高优先级 job 驱逐低优先级 job 以获取资源	8
放置组	PodGroup	Volcano 的成组调度资源，声明 minMember	8
集群队列	ClusterQueue	Kueue 的资源配额队列	8
队列组	cohort	Kueue 中共享配额池的 ClusterQueue 分组	8
名义配额	nominalQuota	ClusterQueue 声明的基准配额	8
拉取	scrape	Prometheus 主动从 exporter 采集指标	9
计数器	Counter	只增不减的指标，看速率用 rate/increase	9
仪表	Gauge	可增可减的当前值指标	9
直方图	Histogram	分桶分布，用于算 p99	9
记录规则	recording rule	预聚合高频查询为新指标	9
待触发	Pending	告警条件满足但 for 计时中	9
触发中	Firing	告警条件持续满足 for 时长后正式报警	9
混沌工程	chaos engineering	受控环境主动注入故障以验证系统韧性	10
平均检测时间	MTTD	故障发生到被发现的时间，由监控质量决定	10
平均恢复时间	MTTR	故障被发现到恢复的时间，由预案与 runbook 决定	10
情境-任务-行动-结果	STAR	面试讲故事的 Situation/Task/Action/Result 结构	10

| 分层假设法 | layered hypothesis method | 先看监控归层、再用该层命令验证、逐层排除的排障方法 | 11 | | 连锁故障 | cascading failure | 一个层的故障引发另一层症状（如网络拥塞→GPU 利用率下降） | 11 | | 三段式作答 | three-part answer | 结论先行 + 原理支撑 + 量化示例的面试答题结构 | 12 | | 对比框架 | comparison framework | 把方案放同一维度比较（性能/成本/复杂度）以应对”为什么不用 X” | 12 | | 版本对齐 | version alignment | 全集群驱动/CUDA/NCCL 版本一致，避免跨节点不匹配故障 | 13 | | 健康巡检 | health check | 定期自动检查驱动/链路/温度/ECC 等健康指标 | 13 | | 幂等 | idempotent | 重复执行结果相同的操作特性，脚本可安全重跑 | 13 |

符号约定

符号	读法	含义与约定	首次出现章节
$t$	t	时间	1
$t_1, t_2$	t 一、t 二	第 1/2 阶段耗时（本教材用下标区分不同阶段时间）	1
GB/s	吉字节每秒	数据传输速率单位（本书统一用十进制 GB）	1
IOPS	每秒输入输出次数	每秒 IO 操作数（随机读基准的常用指标）	1
$k$	k	EC 中数据块数	2
$m$	m	EC 中校验块数	2
$R$	R	DCQCN 中发送端当前速率	4
$\alpha$	alpha	DCQCN 降速比例参数（第 4 章）；每步通信延迟（第 5 章）	4
$N$	N	集合通信的 rank（GPU）总数	5
$T$	T	Ring AllReduce 总时间（$T = 2(N-1)\alpha + 2(N-1)/N \cdot \text{size}/\beta$）	5
$\beta$	beta	链路带宽	5