摘要
数据中心及其计算节点需要准确且灵活的数字双胞胎，以建模工作负载、环境参数和物理指标之间复杂的相互作用。目前，高性能计算（HPC）及其遥测的机器学习方法通常依赖于一组静态、匿名且固定位置的传感器变量，这些变量针对单一任务进行了定制。因此，当目标任务发生变化或传感器指标变化时，这些模型会变得过时。我们提出了 SeT-Diff，这是第一个用于计算节点遥测和时间序列的基础模型。与刚性架构不同，我们的基于扩散的方法将生成过程的条件设置在每个传感器的语义描述上，从而将系统动态与数据集的结构解耦。
实验在一个真实的超级计算机数据集上进行，重构任务的平均绝对误差（MAE）为 0.0470。SeT-Diff 展现出 zero-shot 排列稳定性，即使在传感器被打乱时也能保持准确性，降解极小。一个单一的预训练模型有效地执行数据插补、预测和虚拟传感，热推断的 MAE 达到 0.033，使得 SeT-Diff 成为高性能计算系统中有效的数据驱动数字双胞胎。
博主点评： SeT-Diff 的提出标志着高性能计算领域的一个重要进步。其基于扩散的方法不仅提高了模型的灵活性和准确性，还解决了传统方法在面对动态任务时的局限性。未来，该模型的应用将极大丰富 HPC 系统的遥测能力和智能决策支持。