近日，工信部印發《促進新一代人工智能產業發展三年行動計劃（2018-2020年）》，意在加快人工智能從戰略到落地，推動人工智能和實體經濟深度融合。在新工業革命的背景下，大數據、計力、算法等快速迭代，正驅動人工智能進入新階段。2017年Q3，全球AI公司融資金額突破77億美元，是2012年的70余倍。可能會有人說這是“泡沫”，而我更愿意相信這是人工智能發展的必然結果。

在AI技術的應用過程中，各個企業都在尋找能夠更好支撐高性能計算的基礎網絡解決方案。在《數據中心基礎網絡架構最佳實踐及未來發展趨勢》這篇文章中，我分享了如何設計一個穩定可靠的數據中心網絡，下面我們再來探討支撐AI應用的高性能無損網絡應該如何設計。

前面提到大數據、計算力、算法等快速迭代，正驅動人工智能進入新階段，而這些技術的實現對網絡的低時延、無丟包、高性能這三個方面提出更高要求。

▲AI應用的技術體系及對數據中心網絡的要求

高性能和無丟包比較好理解，就是指網絡帶寬性能的提升以及網絡中不存在擁塞導致的丟包。產生時延的環節較多，要實現端到端的低時延，需要多角度分析：

其中，光電傳輸時延和數據串行時延相對較小，且很難通過架構設計來優化，我們應重點關注主機處理時延和設備轉發時延。在各大企業積極尋求的高性能計算方案中，基于以太網的RDMA（RemoteDirectMemoryAccess）憑借其高性能和低成本優勢逐漸取代InfiniBand而成為主流技術。RoCEv2（RDMAoverConvergedEthernet）技術基于UDP協議，對于建設支撐AI應用的高性能無損以網絡變得尤為重要。

結合設備轉發層面的時延優化手段，高性能無損網絡的實現取決于兩個要素：

• 無帶寬收斂（1:1）的網絡架構設計
• 基于PFC（Priority-BasedFlowControl）和ECN（explicitcongestionnotification）功能的優先隊列管理和擁塞管理

綜上，AI集群高性能計算和網絡方案實踐思路如下圖所示：

▲AI集群高性能方案關鍵技術組合

在這里，我以25G網絡為例，結合業界主流產品形態，分享AI網絡架構設計和實現思路。

主要設計理念：

• 核心設備全線速高性能轉發，核心之間不互聯，采用Fabric架構，隔離核心故障，最大程度降低核心故障的影響；
• 三層路由組網，通過ECMP提高冗余度，降低故障風險；
• TOR上下行收斂比嚴格實現1:1，通過提高核心設備接口密度擴展單集群服務器規模；
• 應用PFC+ECN功能，實現低延時無損網絡。

網絡架構設計：

1.中小型（集群規模1000臺）

▲架構設計

架構特性：

• 每臺TOR采用8*100GE上聯8臺32口100GBOX交換機，OSPF/BGP組網
• 適用集群規模1000臺
• 每臺TOR下聯32臺Servers，IDC內收斂比1:1，集群帶寬25Tbps

2.中型（集群規模2000臺）

▲架構設計

架構特性：

• 每臺TOR采用8*100GE上聯8臺64口100GBOX，OSPF/BGP組網
• 適用集群規模2000臺
• 每臺TOR下聯32臺Servers，IDC內收斂比1:1，集群帶寬50Tbps

3.大型（集群規模2000-18000臺）

▲架構設計

架構特性：

• 每臺TOR采用8*100GE上聯4~8臺核心（機框式），BGP組網
• 適用集群規模2000~18000臺
• 每臺TOR下聯32臺Servers，IDC內收斂比1:1，集群帶寬50~450Tbps

4.超大型（集群規模20000+臺）

▲架構設計

架構特性：

• 單POD集群規模1000~2000臺，數據中心集群規模20000+，BGP組網
• POD內收斂比1:1，單POD集群帶寬25Tbps，總集群帶寬500Tbps+
• POD內收斂比和上行帶寬根據集群帶寬需求靈活配置，適用與非AI應用混合部署

在數據中心網絡中，PFC和ECN功能將部署在Leaf和Spine設備上。PFC作用于設備互聯端口，通過反壓影響上游端口隊列的發送速率，而ECN是作用在設備轉發過程，最終影響的是數據流的發送方，通過降低某條數據流發送速率規避數據丟包。

• PFC機制將以太鏈路上的流量區分為不同的等級，基于每條流量單獨發送“不許可證”。相對于PAUSE幀而言，PFC可以將鏈路虛擬出8條不同等級的虛擬通道，當某條通道出現擁塞后不會影響其它通道。
• RoCEv2定義了RoCEv2CongestionManagement（RCM），其中擁塞管理用的特性ECN（RFC3168）是在交換機出口（egressport）發起的擁塞控制機制。當交換機的出口buffer達到設定的閾值時，交換機會改變數據包頭中的ECN位來給數據打上ECN標簽，當帶ECN標簽的數據到達接收端以后，接收端會生成CNP（CongestionNotificationPacket）并將它發送給發送端。CNP包含了導致擁塞的flow或QP的信息，當發送端收到CNP后，會采取措施降低發送速度。
• 由于PFC作用于整個隊列，而ECN只針對產生擁塞的具體會話，在設置PFC和ECN相關水線時，應做到先觸發ECN后再觸發PFC。

從外賣訂單和叫車訂單的智能調度，到電商平臺的智能推薦，再到人臉識別支付以及即將實現的全自動無人駕駛汽車量產，AI技術的應用已在方方面面影響著人們的生活和工作，讓大家的生活越來越便捷、時間利用越來越合理。但是，這都離不開基礎設施的支撐。銳捷網絡將憑借在數據通信領域近20年的技術積累和行業經驗，創新出更好的產品和解決方案，助力AI技術的蓬勃發展。