面向大模型系统的可靠性技术研究

大规模智算系统已成为关键基础设施，但故障频发与传统容错高开销制约其发展。本研究以编码技术为核心，构建低开销可靠性保障范式，覆盖智算与智存两大方向。

智算方面：面向推理，提出SpotCC抢占式编码计算，利用解码不对称性与抢占不均匀性将P99尾延迟降低83.9%；提出ECPrefix纠删码前缀缓存，以自适应条带与流水线解码将首Token时延降低52.3%。

智存方面：面向训练，提出AsymCheck非对称分区检查点，利用前反向传播通信空闲差异将训练时间缩短20.1%-48.2%；提出COAR计算感知纠删码修复技术，综合节点计算与网络资源调度修复任务，修复时间最多降低59.8%。

成果发表于HPCA、DAC等CCF A类会议，并落地华为、海康威视、新华三等企业产品。

胡炳翀，华中科技大学计算机科学与技术学院教授、博导，国家级青年人才，国家重点研发计划项目青年科学家。 研究聚焦智能存储系统“冗余高、修复慢、搬运多”三大痛点，锚定极低开销、高效修复、快速传输三大核心科学问题开展系统性攻关，近五年发表高水平论文40余篇，其中以第一/通讯作者发表FAST、HPCA、SC、DAC、ICDE、HPDC等CCF A类会议，获国家科技进步二等奖、国家级教学成果二等奖、湖北省科技进步一等奖、日内瓦发明展金奖等。 相关成果已落地新华

三、海康威视、华为等国内头部IT企业。