支撑AI的高性能数据中心网络架构如何设计？

近日，工信部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，意在加快人工智能从战略到落地，推动人工智能和实体经济深度融合。在新工业革命的背景下，大数据、计算力、算法等快速迭代，正驱动人工智能进入新阶段。2017年Q3，全球AI公司融资金额突破77亿美元，是2012年的70余倍。可能会有人说这是“泡沫”，而我更愿意相信这是人工智能发展的必然结果。

在AI技术的应用过程中，各个企业都在寻找能够更好支撑高性能计算的基础网络解决方案。在《数据中心基础网络架构成功实践及未来发展趋势》这篇文章中，我分享了如何设计一个稳定可靠的数据中心网络，下面我们再来探讨支撑AI应用的高性能无损网络应该如何设计。

前面提到大数据、计算力、算法等快速迭代，正驱动人工智能进入新阶段，而这些技术的实现对网络的低时延、无丢包、高性能这三个方面提出更高要求。

▲ AI应用的技术体系及对数据中心网络的要求

高性能和无丢包比较好理解，就是指网络带宽性能的提升以及网络中不存在拥塞导致的丢包。产生时延的环节较多，要实现端到端的低时延，需要多角度分析：

其中，光电传输时延和数据串行时延相对较小，且很难通过架构设计来优化，我们应重点关注主机处理时延和设备转发时延。在各大企业积极寻求的高性能计算方案中，基于以太网的RDMA（Remote Direct Memory Access）凭借其高性能和低成本优势逐渐取代InfiniBand而成为主流技术。RoCEv2（RDMA over Converged Ethernet）技术基于UDP协议，对于建设支撑AI应用的高性能无损以太网络变得尤为重要。

结合设备转发层面的时延优化手段，高性能无损网络的实现取决于两个要素：

• 无带宽收敛（1:1）的网络架构设计
• 基于PFC（Priority-Based Flow Control）和ECN（explicit congestion notification）功能的优先队列管理和拥塞管理

综上，AI集群高性能计算和网络方案实践思路如下图所示：

▲ AI集群高性能方案关键技术组合

在这里，我以25G网络为例，结合业界主流产品形态，分享AI网络架构设计和实现思路。

主要设计理念：

• 核心设备全线速高性能转发，核心之间不互联，采用Fabric架构，隔离核心故障，有效降低核心故障的影响；
• 三层路由组网，通过ECMP提高冗余度，降低故障风险；
• TOR上下行收敛比严格实现1:1，通过提高核心设备接口密度扩展单集群服务器规模；
• 应用PFC+ECN功能，实现低延时无损网络。

网络架构设计：

1.中小型（集群规模1000台）

▲  架构设计

架构特性：

• 每台TOR采用8*100GE上联8台32口100G BOX交换机，OSPF/BGP组网
• 适用集群规模1000台
• 每台TOR下联32台Servers，IDC内收敛比1:1 ，集群带宽25Tbps

2.中型（集群规模2000台）

▲  架构设计

架构特性：

• 每台TOR采用8*100GE上联8台64口100G BOX，OSPF/BGP组网
• 适用集群规模2000台
• 每台TOR下联32台Servers，IDC内收敛比1:1 ，集群带宽50Tbps

3.大型（集群规模2000-18000台）

▲  架构设计

架构特性：

• 每台TOR采用8*100GE上联4~8台核心（机框式），BGP组网
• 适用集群规模2000~18000台
• 每台TOR下联32台Servers，IDC内收敛比1:1 ，集群带宽50~450Tbps

4.超大型（集群规模20000+台）

▲  架构设计

架构特性：

• 单POD集群规模1000~2000台，数据中心集群规模20000+，BGP组网
• POD内收敛比1:1，单POD集群带宽25Tbps，总集群带宽500Tbps+
• POD内收敛比和上行带宽根据集群带宽需求灵活配置，适用与非AI应用混合部署

在数据中心网络中，PFC和ECN功能将部署在Leaf和Spine设备上。PFC作用于设备互联端口，通过反压影响上游端口队列的发送速率，而ECN是作用在设备转发过程，最终影响的是数据流的发送方，通过降低某条数据流发送速率规避数据丢包。

• PFC 机制将以太链路上的流量区分为不同的等级，基于每条流量单独发送“不许可证”。相对于PAUSE帧而言，PFC可以将链路虚拟出8条不同等级的虚拟通道，当某条通道出现拥塞后不会影响其它通道。
• RoCEv2 定义了 RoCEv2 Congestion Management （ RCM ），其中拥塞管理用的特性ECN（RFC 3168）是在交换机出口（egress port）发起的拥塞控制机制。当交换机的出口buffer达到设定的阈值时，交换机会改变数据包头中的ECN位来给数据打上ECN标签，当带ECN标签的数据到达接收端以后，接收端会生成CNP（Congestion Notification Packet）并将它发送给发送端。CNP包含了导致拥塞的flow或QP的信息，当发送端收到CNP后，会采取措施降低发送速度。
• 由于PFC作用于整个队列，而ECN只针对产生拥塞的具体会话，在设置PFC和ECN相关水线时，应做到先触发ECN后再触发PFC。

从外卖订单和叫车订单的智能调度，到电商平台的智能推荐，再到人脸识别支付以及即将实现的全自动无人驾驶汽车量产，AI技术的应用已在方方面面影响着人们的生活和工作，让大家的生活越来越便捷、时间利用越来越合理。但是，这都离不开基础设施的支撑。锐捷网络将凭借在数据通信领域近20年的技术积累和行业经验，创新出更好的产品和解决方案，助力AI技术的蓬勃发展。