Halley：面向光学 AI 数据中心网络的预测性控制平面

Halley 是面向共封装 AI 数据中心互连结构四层光互连的预测性控制平面——激光器池、电路交换、微环和现场可更换模块——其中相关激光器故障在固定备用比例下限制可用性，因此去相关被证明比增加备用更便宜。

机架之间，AI 训练流量经过光互连结构，其四层（共享外置激光器、OCS、微环调制器、现场可更换模块）各自运行固定策略或事后策略。由于每个训练步都以全对全集合通信结束，而该集合通信充当屏障，一个漂移的微环、故障激光器或过晚的交换重配置都会使所有加速器空闲。共享同一机箱、冷却和供电的激光器会一起故障，因此在固定备用比例下，相关故障可证明地限制激光器池的可用性，无论池多大。现有控制平面不预测共封装光硬件本身，因此只在故障或漂移发生后才采取行动。

论文对可交换且正相关的故障的池化激光器供给建模，推导出闭式可用性上限 A* < 1：它取决于相关性 ρ 和单激光器故障概率，而不取决于池大小；并给出分层版本，其中模块内相关性被 1/M 抑制，模块间相关性决定下限。在此基础上，论文为每层光互连构建四个预测控制器：LightReserve 根据故障率和相关性确定备用数量，当目标在预算上限内不可达时，改为输出去相关目标 ρ'；FoldFit 将 OCS 调度重构为把作业打包到 m 条并行通道上，并用首次适应递减对截止时间做二分搜索，继承 MULTIFIT 界；ThermaLead 用漂移斜率的 8 样本移动平均提前一步预置每个微环的加热器；TriageGuard 按温度、年龄和 FEC 桶对模块排序，并预备用 top-B 风险模块，且在给定风险估计条件下通过交换论证证明其恰好最优。当预测过期或不确定时，四个控制器都回退到已部署的反应式策略。各组件按算术方式组合为有效集群 goodput，失效安全看门狗和热伺服已实现、形式化验证并在硅上签核。

• 在假设的相关性和压力故障率下，2× 池上限会限制可用性；99.999% 只有在低于临界相关性时才可达，而当每窗口故障概率高于阈值时，32 通道池在 2× 上限内仍不可达。 §III-B
• LightReserve 在独立性下复现经典的小备用数量，但一旦纳入相关性就需要多得多的备用，并将 99.999% 标记为在上限内不可达，转而返回相关性目标。 §IV-A
• 在所述成本模型下，先去相关再购买备用达到 99.999% 覆盖目标远比仅购买备用便宜，并且这种排序在合理相关性区间内成立。 §V-B
• 在压力工作点组合各仿真组件，在覆盖率读数下提升有效集群 goodput，而在 lit-share 读数下增益小得多；大部分增益来自供给决策。 §V-D
• FoldFit 在扫描的 MoE 工作负载上保持在所述最优比值以内，并在 16 engines 时降低一个重配置代理指标，尽管示例相对端口下界少了一个对齐槽。 §IV-B
• 失效安全看门狗和热伺服综合后面积很小，在两块 FPGA 上对每个布局种子均闭合时序，通过 130 nm 签核，并针对独立规范核心完成机器证明。 §VI-B

• 回退规则能捕获过期、低置信度或迟到的预测，但捕获不了自信却错误的预测；在这种情况下，控制器可能过于频繁地重配置互连结构；对这种危害的形式化界限留待未来工作，而且采取行动还带来预测计算、加热器能量以及针对伪造遥测的加固控制接口成本（§VII-D）。
• 故障输入是假设而非实测：相关性 ρ 同时决定备用结果和上限，但对这些激光器形态没有现场数据；单激光器故障率也未找到已发表的现场值；主要数字使用压力设置 λ = 0.05 每窗口（§VII-D）。
• 将 FoldFit 的保证迁移到交换机所需的三个条件中，第三个——把打包实现为端口不相交配置——仅在需求可在配置边界拆分时才精确，严格不可拆分需求的证明仍开放；该保证也只覆盖驻留时间，不覆盖切换延迟（§VII-D）。
• 硬件部分之外的每个数值结果都是校准仿真或闭式评估；goodput 模型的两个损失占比是假设；在突发相位跳变下 ThermaLead 的预测缺口增长到 49–67%；结果不是硬件实测（§VII-D）。

• 在固定备用比例下，可用性随池增长收敛到只取决于故障相关性和单激光器故障概率的上限，而不取决于池大小；把比例提高到某一点之后，可用性提升太慢而不可部署。 §I
• 在分层模块结构中，模块内相关性项被 1/M 抑制，而模块间相关性决定下限，因此设计者从分离模块获得的收益大于从分离同一模块内激光器获得的收益。 §V-A
• 在 18×8 模块形态、模块内 0.30、模块间 0.05 时，池平均相关性为 0.062，且 32 通道 2× 池的覆盖率在备用数量不变时升至 99.993%。 §V-A
• 在一个潜在变量同时驱动激光器可用性和热损失的耦合组合中，均值 goodput 相同，但尾部显现：第五百分位 goodput 为 67.8%，第一百分位为 59.7%。 §V-D1
• ThermaLead 的无门控移动平均预测在压力轨迹上比部署的抖动锁定多失锁 2%，但在按其自身近期误差门控后少失锁 2.1%，并且漂移越平滑帮助越大。 §IV-C
• TriageGuard 的 top-B 选择在固定风险估计下恰好最优，但收益受排序质量限制：新鲜遥测使陈旧排序的恢复时间削减几乎翻倍，并几乎达到 oracle。 §IV-D
• goodput 尾部的系统部分通过单调传输具有闭式分位数；在低于某个百分位阈值时（该阈值随相关性升高而下降），去相关会抬升尾部的该部分。 §V-E
• 弥合部署差距需要公开接口，暴露单激光器健康和故障时间戳、单微环温度和锁定状态以及交换重配置钩子，这也使 ρ 的现场测量成为可能。 §VII-B