Ik diagnoseer en los je HPC-cluster prestatieproblemen op

De meeste HPC-clusters draaien op 30-40% van hun daadwerkelijke capaciteit.

Niet omdat de hardware verkeerd is. Omdat de configuratie nooit is afgestemd op de daadwerkelijke workload.

Ik heb dit exacte probleem vastgesteld bij onderzoeksinstituten, AI-labs en engineeringteams. De oplossingen liggen bijna altijd in software en configuratie, niet in hardware.

Wat de audit omvat:

Gaten in Slurm-configuratie (DefMemPerCPU, cgroup, fairshare)

InfiniBand fabric gezondheid en link snelheid validatie

Opslagdoorvoer (Lustre/BeeGFS/NFS stripe configuratie)

MPI procesbinding en NUMA-topologie

HPL efficiëntie versus theoretische piek

Node gezondheid en stille hardwarefoutdetectie

Wat je ontvangt:

Geschreven diagnose met ernstbeoordeling per bevinding

Exacte oplossing voor elk probleem inclusief commando's, vóór/na benchmarkcijfers

Prioriteitenlijst: wat eerst te fixen voor maximale impact

Wat ik van jou nodig heb: SSH-toegang tot login node, je cluster specificaties en 2 uur lage activiteit voor benchmarking.

Doorlooptijd: 24-48 uur nadat toegang is verleend.