2023年，是AI人工智能技術全面爆紅的一年。

以ChatGPT、GPT-4、文心一言為代表的AIGC大模型，集文本撰寫、代碼開發、詩詞創作等功能于一體，展現出了超強的內容生產能力，帶給人們極大震撼。

AIGC，AI-Generated Content（人工智能生產內容） 作為一個通信老司機，除了AIGC大模型本身之外，小棗君更加關注的，是模型背后的通信技術。到底是一張怎樣的強大網絡，在支持著AIGC的運轉？此外，AI浪潮的全面來襲，將對傳統網絡帶來怎樣的變革？

█AIGC，到底需要多大的算力？

眾所周知，數據、算法和算力，是人工智能發展的三大基本要素。

?

前面提到的幾個AIGC大模型，之所以那么厲害，不僅是因為它們背后有海量的數據投喂，也因為算法在不斷進化升級。更重要的是，人類的算力規模，已經發展到了一定程度。強大的算力基礎設施，完全能夠支撐AIGC的計算需求。 AIGC發展到現在，訓練模型參數從千億級飆升到了萬億級。為了完成這么大規模的訓練，底層支撐的GPU數量，也達到了萬卡級別規模。

以ChatGPT為例，他們使用了微軟的超算基礎設施進行訓練，據說動用了10000塊V100 GPU，組成了一個高帶寬集群。一次訓練，需要消耗算力約3640 PF-days（即每秒1千萬億次計算，運行3640天）。

一塊V100的FP32算力，是0.014 PFLOPS（算力單位，等于每秒1千萬億次的浮點運算）。一萬塊V100，那就是140 PFLOPS。

也就是說，如果GPU的利用率是100%，那么，完成一次訓練，就要3640÷140=26（天）。

GPU的利用率是不可能達到100%，如果按33%算（OpenAI提供的假設利用率），那就是26再翻三倍，等于78天。 可以看出，GPU的算力、GPU的利用率，對大模型的訓練有很大影響。

那么問題來了，影響GPU利用率的最大因素，是什么呢？ 答案是：網絡。

一萬甚至幾萬塊的GPU，作為計算集群，與存儲集群進行數據交互，需要極大的帶寬。此外，GPU集群進行訓練計算時，都不是獨立的，而是混合并行。GPU之間，有大量的數據交換，也需要極大的帶寬。

如果網絡不給力，數據傳輸慢，GPU就要等待數據，導致利用率下降。利用率下降，訓練時間就會增加，成本也會增加，用戶體驗會變差。

業界曾經做過一個模型，計算出網絡帶寬吞吐能力、通信時延與GPU利用率之間的關系，如下圖所示：

?

大家可以看到，網絡吞吐能力越強，GPU利用率越高；通信動態時延越大，GPU利用率越低。

一句話，沒有好網絡，別玩大模型。

█怎樣的網絡，才能支撐AIGC的運行？

為了應對AI集群計算對網絡的調整，業界也是想了不少辦法的。 傳統的應對策略，主要是三種：Infiniband、RDMA、框式交換機。我們分別來簡單了解一下。

Infiniband組網

Infiniband（直譯為“無限帶寬”技術，縮寫為IB）組網，搞數據通信的童鞋應該不會陌生。

這是目前組建高性能網絡的最佳途徑，帶寬極高，可以實現無擁塞和低時延。ChatGPT、GPT-4所使用的，據說就是Infiniband組網。

如果說Infiniband組網有什么缺點的話，那就是一個字——貴。相比傳統以太網的組網，Infiniband組網的成本會貴好幾倍。這項技術比較封閉，業內目前成熟的供應商只有1家，用戶沒什么選擇權。

RDMA網絡

RDMA的全稱是Remote Direct Memory Access（遠程直接數據存?。?。它是一種新型的通信機制。在RDMA方案里，應用程序的數據，不再經過CPU和復雜的操作系統，而是直接和網卡通信，不僅大幅提升了吞吐能力，也降低了時延。

?

RDMA最早提出時，是承載在InfiniBand網絡中的?，F在，RDMA逐漸移植到了以太網上。

目前，高性能網絡的主流組網方案，是基于RoCE v2（RDMA over Converged Ethernet，基于融合以太網的RDMA）協議來組建支持RDMA的網絡。

這種方案有兩個重要的搭配技術，分別是PFC（Priority Flow Control，基于優先級的流量控制）和ECN（Explicit Congestion Notification，顯式擁塞通知）。它們是為了避免鏈路中的擁塞而產生的技術，但是，頻繁被觸發，反而會導致發送端暫停發送，或降速發送，進而拉低通信帶寬。（下文還會提到它們）

框式交換機

國外有部分互聯網公司，寄希望于利用采用框式交換機（DNX芯片+VOQ技術），來滿足構建高性能網絡的需求。

DNX：broadcom（博通）的一個芯片系列 VOQ：Virtual Output Queue，虛擬輸出隊列 這種方案看似可行，但也面臨以下幾個挑戰。

首先，框式交換機的擴展能力一般。機框大小限制了最大端口數，如想做更大規模的集群，需要橫向擴展多個機框。

其次，框式交換機的設備功耗大。機框內線卡芯片、Fabric芯片、風扇等數量眾多，單設備的功耗超過2萬瓦，有的甚至3萬多瓦，對機柜供電能力要求太高。

第三，框式交換機的單設備端口數量多，故障域大。 基于以上原因，框式交換機設備只適合小規模部署AI計算集群。

█到底什么是DDC

前面說的都是傳統方案。既然這些傳統方案不行，那當然就要想新辦法。

于是，一種名叫DDC的全新解決方案，閃亮登場了。

DDC，全名叫做Distributed Disaggregated Chassis（分布式分散式機箱）。

它是前面框式交換機的“分拆版”?？蚴浇粨Q機的擴展能力不足，那么，我們干脆把它給拆開，將一個設備變成多個設備，不就OK了？

?

框式設備，一般分為交換網板（背板）和業務線卡（板卡）兩部分，相互之間用連接器連接。

DDC方案，將交換網板變成了NCF設備，將業務線卡變成了NCP設備。連接器，則變成了光纖?？蚴皆O備的管理功能，在DDC架構中，也變成了NCC。

NCF：Network Cloud Fabric（網絡云管理控制平面）

NCP：Network Cloud Packet Processing（網絡云數據包處理）

NCC：Network Cloud Controller（網絡云控制器）

DDC從集中式變成分布式之后，擴展能力大大增強了。它可以根據AI集群的大小，靈活設計組網規模。

我們來舉兩個例子（單POD組網和多POD組網）。

單POD組網中，采用96臺NCP作為接入，其中NCP下行共18個400G接口，負責連接AI計算集群的網卡。上行共40個200G接口，最大可以連接40臺NCF，NCF提供96個200G接口，該規模上下行帶寬為超速比1.1:1。整個POD可支撐1728個400G網絡接口，按照一臺服務器配8塊GPU來計算，可支撐216臺AI計算服務器。



單POD組網

多級POD組網，規?？梢宰兊酶蟆?

在多級POD組網中，NCF設備要犧牲一半的SerDes，用于連接第二級的NCF。所以，此時單POD采用48臺NCP作為接入，下行共18個400G接口。



多POD組網

單個POD內，可以支撐864個400G接口（48×18）。通過橫向增加POD（8個），實現規模擴容，整體最大可支撐6912個400G網絡端口（864×8）。

NCP上行40個200G，接POD內40臺NCF。POD內NCF采用48個200G接口，48個200G接口分為12個一組上行到第二級的NCF。第二級NCF采用40個平面（Plane），每個平面4臺NCF-P，分別對應在POD內的40臺NCF。

整個網絡的POD內實現了1.1:1的超速比（北向帶寬大于南向帶寬），而在POD和二級NCF之間實現了1:1的收斂比（南向帶寬/北向帶寬）。

? ?

█DDC的技術特點

站在規模和帶寬吞吐的角度，DDC已經可以滿足AI大模型訓練對于網絡的需求。

然而，網絡的運作過程是復雜的，DDC還需要在時延對抗、負載均衡性、管理效率等方面有所提升。

基于VOQ+Cell的轉發機制，對抗丟包

網絡在工作的過程中，可能會出現突發流量，造成接收端來不及處理，引起擁塞和丟包。

為了應對這種情況，DDC采取了基于VOQ+Cell的轉發機制。

?

發送端從網絡接收到數據包之后，會分類到VOQ（虛擬輸出隊列）中存儲。

在發送數據包前，NCP會先發送Credit報文，確定接收端是否有足夠的緩存空間處理這些報文。

如果接收端OK，則將數據包分片成Cells（數據包的小切片），并且動態負載均衡到中間的Fabric節點（NCF）。

如果接收端暫時沒能力處理報文，報文會在發送端的VOQ中暫存，并不會直接轉發到接收端。

在接收端，這些Cells會進行重組和存儲，進而轉發到網絡中。

切片后的Cells，將采用輪詢的機制發送。它能夠充分利用到每一條上行鏈路，確保所有上行鏈路的傳輸數據量近似相等。



輪詢機制

這樣的機制，充分利用了緩存，可以大幅度減少丟包，甚至不會產生丟包情況。數據重傳減少了，整體通信時延更穩定更低，從而可以提高帶寬利用率，進而提升業務吞吐效率。

PFC單跳部署，避免死鎖

前面我們提到，RDMA無損網絡中引入了PFC（基于優先級的流量控制）技術，進行流量控制。

簡單來說，PFC就是在一條以太網鏈路上創建 8 個虛擬通道，并為每條虛擬通道指定相應優先級，允許單獨暫停和重啟其中任意一條虛擬通道，同時允許其它虛擬通道的流量無中斷通過。

?

PFC可以實現基于隊列的流量控制，但是，它也存在一個問題，那就是死鎖。

所謂死鎖，就是多個交換機之間，因為環路等原因，同時出現了擁塞（各自端口緩存消耗超過了閾值），又都在等待對方釋放資源，從而導致的“僵持狀態”（所有交換機的數據流永久堵塞）。

DDC的組網下，就不存在PFC的死鎖問題。因為，站在整個網絡的角度，所有NCP和NCF可以看成一臺設備。對于AI服務器來說，整個DDC，就是一個交換機，不存在多級交換機。所以，就不存在死鎖。

另外，根據DDC的數據轉發機制，可在接口處部署ECN（顯式擁塞通知）。

ECN機制下，網絡設備一旦檢測到RoCE v2流量出現了擁塞（內部的Credit和緩存機制無法支撐突發流量），就會向服務器端發送CNP（Congestion Notification Packets，擁塞通知報文），要求降速。

分布式OS，提升可靠性

最后再看看管理控制平面。

前面我們提到，在DDC架構中，框式設備的管理功能變成了NCC（網絡云控制器）。NCC非常重要，如果采用單點式的方式，萬一出現問題，就會導致整網故障。

為了避免出現這樣的問題，DDC可以取消NCC的集中控制面，構建分布式OS（操作系統）。

基于分布式OS，可以基于SDN運維控制器，通過標準接口（Netconf、GRPC等）配置管理設備。這樣的話，每臺NCP和NCF獨立管理，有獨立的控制面和管理面，大大提升了系統的可靠性，也更加便于部署。

█DDC的商用進展

綜上所述，相對傳統組網，DDC在組網規模、擴展能力、可靠性、成本、部署速度方面，擁有顯著優勢。它是網絡技術升級的產物，提供了一種顛覆原有網絡架構的思路，可以實現網絡硬件的解耦、網絡架構的統一、轉發容量的擴展。

業界曾經使用OpenMPI測試套件進行過框式設備和傳統組網設備的對比模擬測試。測試結論是：在All-to-All場景下，相較于傳統組網，框式設備的帶寬利用率提升了約20%（對應GPU利用率提升8%左右）。

正是因為DDC的顯著能力優勢，現在這項技術已經成為行業的重點發展方向。例如銳捷網絡，他們就率先推出了兩款可交付的DDC產品，分別是400G NCP交換機——RG-S6930-18QC40F1，以及200G NCF交換機——RG-X56-96F1。

RG-S6930-18QC40F1交換機的高度為2U，提供18個400G的面板口，40個200G的Fabric內聯口，4個風扇和2個電源。

RG-X56-96F1交換機的高度為4U，提供96個200G的Fabric內聯口，8個風扇和4個電源。

據悉，銳捷網絡會繼續研發，持續推出更多適合智算中心網絡場景的產品。

█最后的話

AIGC的崛起，已經掀起了互聯網行業的新一輪技術革命。

我們可以看到，越來越多的企業，正在加入這個賽道，參與角逐。這意味著，網絡基礎設施的升級，迫在眉睫。

DDC的出現，將大幅提升網絡基礎設施的能力，不僅可以有效應對AI革命對網絡基礎設施提出的挑戰，更將助力整個社會的數字化轉型，加速人類數智時代的全面到來。





審核編輯：劉清