NVIDIA 发布 Topograph：为 AI 集群提供拓扑感知调度

核心事实

NVIDIA 开发者博客发布文章，介绍开源工具 NVIDIA Topograph。据该文描述，Topograph 可从云服务商 API 或本地网络系统发现集群拓扑，将其归一化为统一模型，再以工作负载管理器可识别的格式发布，包括 Kubernetes 节点标签、Slurm 拓扑配置以及 Slinky ConfigMap。文章称，当集群发生变化时，Topograph 会重新生成拓扑视图，使调度器无需人工维护快照。文中列出的已集成云服务商包括 Google Cloud、Lambda、Nebius、Nscale 与 Oracle Cloud Infrastructure；本地环境则涉及 InfiniBand、Spectrum-X 与 Multi-Node NVLink 域。

背景与影响

文章指出，AI 工厂属于功率受限系统，GPU 负载放置是重要优化环节。放置不当会割裂拓扑域，使流量跨越共享链路，从而降低吞吐并抬高作业成本。Topograph 的设计思路是让调度器基于当前拓扑数据，把紧耦合负载放到通信距离更近的域内。文章称其可与 Dynamic Resource Allocation（DRA）和 KAI Scheduler 配合，实现拓扑感知的 gang 调度；部署方式包括 Kubernetes 上的 Helm 以及 Slurm 集群上的原生包，并提供可在无生产硬件条件下测试的模拟工具。相关代码位于 dsx-ai-factory/topograph 仓库。

限制与来源

本文内容来自 NVIDIA 开发者博客，其中部分摘要由 AI 生成，原文亦提示 AI 生成内容可能不完整，重要信息需自行核实。文中给出的支持矩阵标注为截至 2026 年 9 月 16 日的上游 main 分支状态，并说明具体要求可能随 Topograph 版本、环境和 provider 配置而变化；NFD 引擎需要 alpha 阶段的 NodeFeatureGroupAPI 特性门控。Topograph 反映的是上报拓扑而非预期拓扑，fabric 变化的可见性取决于 provider 及其触发事件。上述功能、支持范围与部署要求均以官方仓库和官网当前信息为准。