Linux 内核 Memcg v2 + io_uring：AI 训练数据加载管线中的内存压力感知异步 I/O
探索Linux内核memcg v2的PSI内存压力信号如何与io_uring提交队列协同，实现AI训练数据加载中内存感知的流量控制，从根源消除OOM。
AI训练
CPU-GPU 异构统一虚拟内存系统：AI 大规模训练的核心基础设施
深入解析 CPU-GPU 统一虚拟内存系统（CUDA Unified Memory + Linux HMM）的工作原理与实战优化，涵盖 page fault 机制、CUDA VMM API、GPUDirect RDMA/Storage、分页模型参数存储、内存 Advice 与 TLB 优化等 AI 训练核心基础设施技术。
Linux Kernel Dirty Page Writeback 与 IO 拥塞联调深度实战：AI 训练集群稳定性工程
深入剖析Linux内核Dirty Page回写机制引发IO拥塞导致AI训练GPU starvation的问题，提供从预防、隔离到拦截的完整工程化解决方案，含bpftrace追踪脚本与BPF-LSM拦截代码。
Linux内核F2FS深度工程：面向AI训练checkpoint优化的日志结构文件系统实战
深入剖析Linux F2FS日志结构文件系统的内核数据结构、GC策略和checkpoint一致性机制，给出面向AI训练checkpoint场景的实战调优方案
NCCL 多 GPU 通信优化：Ring AllReduce 与 Tree AllReduce 算法深度工程实战
深入剖析 NCCL 中 Ring AllReduce、Tree AllReduce、Ring Tree Hybrid 三种核心算法的实现原理、带宽模型与拓扑自适应策略，结合多卡集群部署的性能调优案例，揭示如何在一机多卡、多机多卡场景下实现接近线性的扩展效率。
Linux 内核 XFS 文件系统 reflink/CoW 深度剖析：从 iomap 反向映射到 AI 数据集版本管理工程实践
深度剖析 Linux 内核 XFS 文件系统的 reflink/Copy-on-Write 实现机理，涵盖 extent 共享、反向映射 B+树（rmapbt）、refcountbt 事务集成，以及在 AI 训练数据集版本管理中的工程实践。
确定性执行与系统调试：从 Record/Replay 到 AI 训练可重现性的深度工程实战
深入剖析确定性执行（Deterministic Execution）的核心原理与实践——从硬件非确定性来源到 Mozilla rr 指令级记录重放，从 FoundationDB 确定性模拟测试框架到 AI 大模型训练的可重现性挑战，包含完整 Rust 代码示例与内核级机制分析。
AI训练数据加载管道：从存储到GPU的零拷贝预处理工程实战
深入解析AI训练数据加载管道的工程优化，涵盖GPUDirect Storage绕过CPU实现存储到GPU显存的零拷贝传输、NVIDIA DALI数据增强、基于io_uring的异步预取流水线架构、Rust零开销抽象在高性能数据加载器中的应用，以及生产环境中常见的I/O瓶颈诊断与调优方法。
RoCE v2 拥塞控制深度剖析：DCQCN、ETS、PFC 联动调优 AI 分布式训练网络
深度解析 RoCE v2 拥塞控制完整体系：从 PFC 反压到 ECN 标记，再到 DCQCN 硬件速率调节，以及如何联合调优适配 AI 训练流量特征。涵盖 Incast 分析、交换机阈值公式、DCQCN 参数实战、TIMELY/HPCC 演进路线。
从 XID 错误到芯片级容错：GPU 显存 ECC 损坏在 AI 训练中的检测、隔离与自愈工程
AI 训练集群规模从百卡扩展到千卡、万卡级别后，GPU 显存错误成为影响训练稳定性和模型收敛性的隐性杀手。与传统 CPU 不同，GPU 显存错误往往表现为"静默数据损坏"（Silent Data Corruption, SDC）——权重悄然翻转一个 bit，Loss 曲线异常抖动，而训练流程本身不会报错退出。本文从硬件 ECC 机制出发，深入讲解 GPU XID 事件解析、内核驱动级错误检测、生产…
