Buchumschlag

EROICA: Online Performance Troubleshooting for Large-scale Model Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guan, Yu, Yin, Zhiyu, Chen, Haoyu, Cheng, Sheng, Yang, Chaojie, Qian, Kun, Xu, Tianyin, Zhang, Pengcheng, Zhang, Yang, Zhao, Hanyu, Li, Yong, Lin, Wei, Cai, Dennis, Zhai, Ennan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning Operating Systems
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FALCON: Pinpointing and Mitigating Stragglers for Large-Scale Hybrid-Parallel Training
von: Wu, Tianyuan, et al.
Veröffentlicht: (2024)

RAGDoll: Efficient Offloading-based Online RAG System on a Single GPU
von: Yu, Weiping, et al.
Veröffentlicht: (2025)

DPC: A Distributed Page Cache over CXL
von: Bergman, Shai, et al.
Veröffentlicht: (2026)

BLITZSCALE: Fast and Live Large Model Autoscaling with O(1) Host Caching
von: Zhang, Dingyan, et al.
Veröffentlicht: (2024)

Performance Isolation and Semantic Determinism in Efficient GPU Spatial Sharing
von: Yang, Zhenyuan, et al.
Veröffentlicht: (2026)

ServeGen: Workload Characterization and Generation of Large Language Model Serving in Production
von: Xiang, Yuxing, et al.
Veröffentlicht: (2025)

GPUOS: A GPU Operating System Primitive for Transparent Operation Fusion
von: Yang, Yiwei, et al.
Veröffentlicht: (2026)

HybridTier: an Adaptive and Lightweight CXL-Memory Tiering System
von: Song, Kevin, et al.
Veröffentlicht: (2023)

LMetric: Simple is Better - Multiplication May Be All You Need for LLM Request Scheduling
von: Zhang, Dingyan, et al.
Veröffentlicht: (2026)

Towards Efficient and Practical GPU Multitasking in the Era of LLM
von: Xing, Jiarong, et al.
Veröffentlicht: (2025)

Telepathic Datacenters: Fast RPCs using Shared CXL Memory
von: Mahar, Suyash, et al.
Veröffentlicht: (2024)

TrEnv-X: Transparently Share Serverless Execution Environments Across Different Functions and Nodes
von: Huang, Jialiang, et al.
Veröffentlicht: (2025)

Mercury: QoS-Aware Tiered Memory System
von: Lu, Jiaheng, et al.
Veröffentlicht: (2024)

Nexus: Transparent I/O Offloading for High-Density Serverless Computing
von: Park, JooYoung, et al.
Veröffentlicht: (2026)

Unlocking True Elasticity for the Cloud-Native Era with Dandelion
von: Kuchler, Tom, et al.
Veröffentlicht: (2025)

LatencyPrism: Online Non-intrusive Latency Sculpting for SLO-Guaranteed LLM Inference
von: Du, Yin, et al.
Veröffentlicht: (2026)

Mitigating context switching in densely packed Linux clusters with Latency-Aware Group Scheduling
von: Isstaif, Al Amjad Tawfiq, et al.
Veröffentlicht: (2025)

EdgeFlow: Fast Cold Starts for LLMs on Mobile Devices
von: Yan, Yongsheng, et al.
Veröffentlicht: (2026)

A Periodic Space of Distributed Computing: Vision & Framework
von: Salehi, Mohsen Amini, et al.
Veröffentlicht: (2026)

THEMIS: Time, Heterogeneity, and Energy Minded Scheduling for Fair Multi-Tenant Use in FPGAs
von: Karabulut, Emre, et al.
Veröffentlicht: (2024)

Formal Definitions and Performance Comparison of Consistency Models for Parallel File Systems
von: Wang, Chen, et al.
Veröffentlicht: (2024)

Mewz: Lightweight Execution Environment for WebAssembly with High Isolation and Portability using Unikernels
von: Ueda, Soichiro, et al.
Veröffentlicht: (2024)

Taming Serverless Cold Starts Through OS Co-Design
von: Holmes, Ben, et al.
Veröffentlicht: (2025)

Fix: externalizing network I/O in serverless computing
von: Deng, Yuhan, et al.
Veröffentlicht: (2025)

Optimizing Task Scheduling in Heterogeneous Computing Environments: A Comparative Analysis of CPU, GPU, and ASIC Platforms Using E2C Simulator
von: Mohammadjafari, Ali, et al.
Veröffentlicht: (2024)

Equilibria: Fair Multi-Tenant CXL Memory Tiering At Scale
von: Zhao, Kaiyang, et al.
Veröffentlicht: (2026)

CvxCluster: Solving Large, Complex, Granular Resource Allocation Problems 100-1000x Faster
von: Nnorom Jr, Obi, et al.
Veröffentlicht: (2026)

Agent Centric Operating System -- a Comprehensive Review and Outlook for Operating System
von: Jia, Shian, et al.
Veröffentlicht: (2024)

"Range as a Key" is the Key! Fast and Compact Cloud Block Store Index with RASK
von: Zhao, Haoru, et al.
Veröffentlicht: (2026)

LEFT-RS: A Lock-Free Fault-Tolerant Resource Sharing Protocol for Multicore Real-Time Systems
von: Chen, Nan, et al.
Veröffentlicht: (2025)

Funky: Cloud-Native FPGA Virtualization and Orchestration
von: Koshiba, Atsushi, et al.
Veröffentlicht: (2025)

Ensuring Data Freshness in Multi-Rate Task Chains Scheduling
von: Hoffmann, José Luis Conradi, et al.
Veröffentlicht: (2026)

Rethinking Inter-Process Communication with Memory Operation Offloading
von: Park, Misun, et al.
Veröffentlicht: (2026)

Why iCloud Fails: The Category Mistake of Cloud Synchronization
von: Borrill, Paul
Veröffentlicht: (2026)

Rethinking Thread Scheduling under Oversubscription: A User-Space Framework for Coordinating Multi-runtime and Multi-process Workloads
von: Roca, Aleix, et al.
Veröffentlicht: (2026)

Peformance Isolation for Inference Processes in Edge GPU Systems
von: Martín, Juan José, et al.
Veröffentlicht: (2026)

Characterizing Metastable Faults and Failures
von: Farahbakhsh, Ali, et al.
Veröffentlicht: (2026)

Dirigent: Lightweight Serverless Orchestration
von: Cvetković, Lazar, et al.
Veröffentlicht: (2024)

Toward Systems Foundations for Agentic Exploration
von: Xu, Jiakai, et al.
Veröffentlicht: (2025)

PhoenixOS: Concurrent OS-level GPU Checkpoint and Restore with Validated Speculation
von: Wei, Xingda, et al.
Veröffentlicht: (2024)