大规模AI计算集群的网络环境需求，Infiniband还是超低时延以太网？

01 ChatGPT背后的基础设施：AI计算集群

早在2019年向 OpenAI 投资10亿美元的时候起，微软就同意为这家 AI 初创企业构建一台大型超级计算机。近期，微软在官博上连发两文，亲自解密了这台超级昂贵的超级计算机以及Azure的重磅升级。负责云计算和AI业务的微软副总裁 Scott Guthrie 表示，微软在这个项目上花费了数亿美元，将数以万计的 Nvidia A100 GPU 和 Azure 云计算平台串联在一起。

对于诸如 ChatGPT 这类 AI 深度学习模型，巨量的高性能算力无疑是重中之重。但是人们常常容易忽略网络传输在AI训练提速中的作用。尤其是大规模集群分布式训练的场景下，网络扮演了一个极为关键的角色：为了训练一个大型语言模型，计算工作量被分配到集群中成千上万个 GPU 上，这就需要借助高吞吐、低时延的网络达成大算力芯片间的协同工作，以整合海量芯片的算力。

我们从Azure面向“生成式AI”所做的基础设施升级也可以看到，网络互连能力在其中占据了很大比重。

微软推出了 ND H100 v5 虚拟机，它支持按需大小不等的 8 到数千个 NVIDIA H100 GPU，这些 GPU 通过 NVIDIA Quantum-2 InfiniBand 网络互连。与上一代 ND A100 v4 VM 相比，客户将看到人工智能模型的性能显着提高，这些创新技术包括：

• 8个NVIDIA H100 Tensor Core GPU通过下一代NVSwitch和NVLink 4.0互联
• 每个GPU有400 Gb/s的NVIDIA Quantum-2 CX7 InfiniBand，每个虚拟机有3.2Tb/s的无阻塞胖树型网络
• NVSwitch和NVLink 4.0在每个虚拟机的8个本地GPU之间具有3.6TB/s的双向带宽
• 第四代英特尔至强可扩展处理器
• PCIE Gen5到GPU互连，每个GPU有64GB/s带宽
• 16通道4800MHz DDR5 DIMM

02 微软所选择的InfiniBand，超低时延网络的唯一正解？

InfiniBand（简称IB）网络是通过 InfiniBand 交换机在节点之间直接创建一个专用的受保护通道，并通过 InfiniBand 网卡管理和执行远程直接内存访问（RDMA），与其他网络通信协议相比可以做到更低的延迟。

然而当前IB技术方案被少数海外供应商锁定的状态，给用户带来了诸多不便：首先是IB 交换机的供货周期过长，很容易影响到整体业务的正常上线，推迟的每一天都在白白损失已建成部分的投入成本；转入日常运维阶段后，IB网络的故障排查仍然高度依赖原厂，其售后响应速度也经常为人诟病。

像ChatGPT这类大规模AI计算集群网络，动辄便是上千卡级别的体量。AI大模型训练的固有需求之下，算力侧的成本优化空间相对有限，但如果能在网络侧寻找到与IB性能相近的平替方案，降低前期建设和后期运维等各方面投入，或许是个不错的思路。

自从RoCE（RoCEv2）出现以来，一些以前IB特有的技术比如 RDMA，协议卸载等，现在已经可以在以太网上应用了。不光是AI训练的后端网络，在科研超算、实时云服务、金融高频交易等场景，用优化后的以太网技术去替代 IB也渐渐具有了可行性。

03 低成本以太网代替IB网络的可行性

从网络架构来看，目前较为合适的是基于以太网的三层 CLOS 架构（Spine-leaf），在全盒式组网的情况下，任何两台服务器之间的通信不会超过三台交换机。

从网络层协议来看，下面几类 RDMA 网络中，RoCEv2 的性能较好、部署成本低、兼容性强；但受限于传统以太网“尽力而为”的特性，需要交换机支持构建一张零丢包、低延迟、高性能的无损网络。

 
星融元 CX-N 系列超低时延云交换机作为一款通用的以太网设备，从底层交换芯片到上层的各种协议栈皆面向低时延场景深度优化，可提供 Port to Port ~400ns 的转发时延，全速率下（10G~400G）转发时延相同，并且支持多种数据中心高级功能（如PFC、ECN等）以避免丢包和网络拥塞。

 多个客户曾在现场用我们CX-N系列32 x 100G 的以太网交换机和 32 x 100G IB交换机（Mellanox SB7700）做对比测试，结果显示：CX-N系列以太网交换机的性能可以接近IB交换机，部分数据甚至比IB交换机更好。【详见文末附录】

综上：基于星融元CX-N系列云交换机搭建的超低时延无损以太网能够很好地承载RoCEv2，为用户打造一张高性价比的低时延网络。

【HPC场景】测试结果

   
【分布式存储场景】测试结果