从工程体系到AI基础设施：体系可靠性研究的持续演进

体系可靠性研究并非起步于抽象概念，而是在复杂工程系统的论证、运用和保障的工程实践中逐步发展起来的。北京航空航天大学可靠性与系统工程学院体系可靠性研究团队十余年来，面向国家重大需求，持续围绕不同领域中体系可靠性问题开展探索，构建了完整的体系可靠性理论研究范式。

研究团队首先面对的是舰船航空保障问题：舰载机能否按计划出动，不只取决于舰载机本身，还涉及各种保障设施、维修人员和保障资源，这些要素在规定时间内有序衔接，航空保障任务才能完成，舰载机才能形成可持续的出动能力。随着研究扩展至舰船体系，问题的边界进一步扩大，感知、指挥、通信、行动和保障等系统分布在不同舰船平台，既能够独立运行、又必须通过信息交换和任务分工形成整体能力，体系中成员系统故障、通信网络中断或任务协同失调，都会影响体系任务。

图1 航空保障体系与舰船体系示意图

面对工程体系的可靠性问题，可靠性与系统工程学院体系与智能安全中心潘星教授带领体系可靠性研究团队，立足国家重大工程需求，扎根体系可靠性前沿十余载，跨越两个五年规划周期的预先研究，逐步形成一套可供工程实践遵循的研究范式：从顶层使命出发开展体系任务想定与能力分析，进而完成体系架构建模、体系任务建模和体系可靠性建模与分析，将体系可靠性分为系统级、架构级和任务级三个层次，在大量工程实践基础上系统地搭建出体系可靠性理论脉络，十年磨一剑、深耕向体系，倾力撰写出版国内第一本体系可靠性专著《体系可靠性理论与方法》。本书的出版获国家科学技术学术著作出版基金优先资助与北京航空航天大学校级学术著作立项，是国内首部系统论述体系可靠性问题的学术专著。全书以“概念清晰、范式实用、工程落地”为写作原则，构建了涵盖体系可靠性建模、评估与优化的完整理论和方法体系，并对网络体系可靠性、保障体系可靠性、体系中人的可靠性以及体系安全性与韧性等前沿问题进行了系统论述。

图2 《体系可靠性理论与方法》 潘星，党宇恒 等著，国防工业出版社

近年来，大模型训练推动AI基础设施加速迈向大规模计算集群。GPU、服务器、交换机、存储设备和软件平台共同支撑一项训练任务，任何局部异常都会沿着通信与任务关系扩散。AI基础设施的可靠性，越来越需要从“单台设备是否正常”转向“计算业务能否持续完成”,单个GPU可用、网络保持连通，并不意味着训练业务一定能够按期完成，这与工程体系所面对的整体协同问题具有相通之处。

围绕这一问题，潘星教授继续带领体系可靠性研究团队，将体系可靠性的研究视角引入计算网络，基于“北航-华为可靠性联合实验室”合作项目，运用体系可靠性理论赋能计算网络，构建可靠的大模型算力底座。研究团队把AI模型分布式训练过程与底层计算、通信设施联系起来，探索局部故障如何影响数据交换和业务运行。这样一来，可靠性评价不再停留于单个设备故障，而能够直接面向训练任务完成情况。研究团队开发了可用于深度神经网络、大语言模型等多种模型分布式训练的ReliaAI仿真平台，对GPT-3在Spine-leaf、Torus、Dragonfly等网络构架以及从8 GPU到128 GPU集群中的训练任务进行了可靠性评估和对比，为国产算力平台助力AI设施构架的可靠部署和运行提供技术支撑。此成果是体系可靠性理论和方法用于AI算力设施体系的典型应用，是计算网络可靠性领域的首篇论文，是北航体系与智能系统安全中心成立以来布局AI安全研究中关于AI基础设施方面的重要突破。（北航与华为合作项目被技术委员会结题评估为优，相关研究成果“Reliability Modeling of Computing Network Oriented to Logical-to-Physical Network Mapping: Bayesian-based Quantitative Analysis”已发表在可靠性领域TOP期刊《Reliability Engineering & System Safety》上。）

图3 从逻辑-物理映射角度研究计算网络可靠性

从航空保障到舰船编队再到计算网络，研究对象不断变化，但核心问题始终未变：如何以高可靠的成员系统为基础，通过可靠的体系架构将成员功能转化为可靠的体系级能力，并最终完成规定任务，这体现了体系可靠性自下而上支撑、自上而下牵引的基本逻辑。从工程体系可靠性重大需求出发，再面向当前AI基础设施可靠性的新探索，正是体系可靠性研究范式在智能计算领域的进一步延伸，北航体系可靠性研究团队正在将体系可靠性理论逐渐应用到工程体系、无人体系、太空体系、网络体系、民航体系、低空体系、交通体系、基础设施体系、生产制造体系、运维保障体系和应急管理体系等领域，促进体系可靠性研究成为当今时代复杂工程系统研究的必答题。