近年來，數(shù)據(jù)中心網(wǎng)絡(luò)技術(shù)一直在不斷發(fā)展，以滿足日益增長的數(shù)據(jù)處理需求。從最初的傳統(tǒng)結(jié)構(gòu)，到軟件定義網(wǎng)絡(luò)（SDN），再到云原生網(wǎng)絡(luò)（CN-NFV），數(shù)據(jù)中心網(wǎng)絡(luò)技術(shù)已經(jīng)走過了一個(gè)漫長的發(fā)展歷程。AI時(shí)代，高性能計(jì)算需求正呈現(xiàn)爆發(fā)性增長態(tài)勢，數(shù)據(jù)中心網(wǎng)絡(luò)面臨更為復(fù)雜的挑戰(zhàn)，技術(shù)將會(huì)有哪些新的變化？是否有合適的解決之道？

華為數(shù)據(jù)通信產(chǎn)品線數(shù)據(jù)中心網(wǎng)絡(luò)領(lǐng)域副總裁 張白

2023年8月23日-25日，全國高性能計(jì)算學(xué)術(shù)年會(huì)(CCF HPC China 2023)在青島舉辦，CCF HPC China是高性能計(jì)算領(lǐng)域全球最具影響力的三大超算盛會(huì)之一，有著“中國超算風(fēng)向標(biāo)”的稱號。本次大會(huì)上，華為數(shù)據(jù)通信產(chǎn)品線數(shù)據(jù)中心網(wǎng)絡(luò)領(lǐng)域副總裁張白分享隨著AI時(shí)代的到來，高性能計(jì)算對網(wǎng)絡(luò)新的訴求，以及如何依靠星河AI網(wǎng)絡(luò)解決方案去解決智能時(shí)代網(wǎng)絡(luò)面臨的新的挑戰(zhàn)。

高性能計(jì)算需要什么樣的互聯(lián)網(wǎng)絡(luò)？

當(dāng)前，新一輪科技革命和產(chǎn)業(yè)變革加速演進(jìn)，高性能計(jì)算正帶領(lǐng)人類從“信息時(shí)代”走向“算力時(shí)代”。據(jù)中國電子信息產(chǎn)業(yè)發(fā)展研究院發(fā)布的《2022中國數(shù)字經(jīng)濟(jì)發(fā)展研究報(bào)告》顯示，目前中國算力規(guī)模約占全球的27%，排名第二。我國算力進(jìn)入高速發(fā)展階段，到2025年總算力規(guī)模將達(dá)到300EFlops，同比2020年增長120%。

數(shù)據(jù)的爆炸性增長需要算力去解決，一方面需要更高效的算力結(jié)構(gòu)，另一方面需要好的算力網(wǎng)絡(luò)。高性能計(jì)算主要關(guān)注如何利用大規(guī)模計(jì)算的資源來解決科學(xué)、工程和商業(yè)問題。HPC應(yīng)用程序通常需要使用并行計(jì)算，億級、10億級的超算，它的并行計(jì)算帶給網(wǎng)絡(luò)非常大的挑戰(zhàn)。比如，并行通信、數(shù)據(jù)同步、大規(guī)模穩(wěn)定運(yùn)行等。同時(shí)，隨著AI人工智能快速發(fā)展，HPC和AI結(jié)合的研究，HPC和AI應(yīng)用程序通常需要處理大量的數(shù)據(jù)，并且在計(jì)算節(jié)點(diǎn)之間進(jìn)行數(shù)據(jù)傳輸和存儲(chǔ)，對網(wǎng)絡(luò)的吞吐及負(fù)載均衡也提出了新的挑戰(zhàn)。

以當(dāng)前火爆的大模型來說，其對數(shù)據(jù)中心網(wǎng)絡(luò)要求更為苛刻，可以說，大規(guī)模算力環(huán)境下的網(wǎng)絡(luò)問題已成為當(dāng)今數(shù)據(jù)中心所面臨的“緊箍咒”之一。

官網(wǎng)顯示，ChatGPT-4輸入?yún)?shù)已經(jīng)達(dá)到萬億，2.5年增長了570倍，1.5萬張A100卡來支撐訓(xùn)練，大量服務(wù)器通過高速網(wǎng)絡(luò)組成算力集群，共同完成訓(xùn)練任務(wù)。但是大規(guī)模不等于大帶寬，AI大模型的訓(xùn)練場景中會(huì)存在負(fù)載不均衡的情況，而且設(shè)備網(wǎng)絡(luò)規(guī)模越大，傳統(tǒng)負(fù)載方式?jīng)_突會(huì)越嚴(yán)重。類似于要想提高車輛運(yùn)行速度，在拓寬道路的基礎(chǔ)上，還需要解決堵車的難題。大規(guī)模的網(wǎng)絡(luò)不僅讓業(yè)務(wù)調(diào)優(yōu)復(fù)雜，后期運(yùn)維也是雪上加霜，無法采用傳統(tǒng)手段運(yùn)維，據(jù)統(tǒng)計(jì)50%的迭代過程會(huì)被迫中斷，定位時(shí)長平均1天以上。由此可見，AI訓(xùn)練對于網(wǎng)絡(luò)的訴求可以用三個(gè)詞來歸納：大規(guī)模，高吞吐，高可靠。

如何釋放高性能計(jì)算100%算力？

加大高性能計(jì)算供給，必須增加算力網(wǎng)絡(luò)可靠性。自2020年至今，大模型引領(lǐng)AI進(jìn)入新的發(fā)展階段，但大模型訓(xùn)練是個(gè)復(fù)雜的系統(tǒng)工程，網(wǎng)絡(luò)基礎(chǔ)設(shè)施正是長穩(wěn)訓(xùn)練的關(guān)鍵之一。對于用戶來說，其需要投入大量的資金和人才戰(zhàn)略來施行其智能化戰(zhàn)略，要怎樣才能進(jìn)行數(shù)據(jù)中心的創(chuàng)新，建立其符合未來需求的數(shù)據(jù)中心網(wǎng)絡(luò)呢?

針對當(dāng)前業(yè)界火爆的AI大模型，華為在2023CCF全國高性能計(jì)算學(xué)術(shù)年會(huì)（CCF HPC China 2023）上帶來星河AI網(wǎng)絡(luò)解決方案，提供“運(yùn)得多、運(yùn)得快，運(yùn)得穩(wěn)”的高運(yùn)力數(shù)據(jù)中心網(wǎng)絡(luò)，為客戶提供大規(guī)模、高吞吐、高可靠的網(wǎng)絡(luò)建設(shè)。

AI場景下對網(wǎng)絡(luò)的第一要求是大規(guī)模，適配萬卡集群是網(wǎng)絡(luò)最基本的要求。華為采用業(yè)界最高密200/400GE交換機(jī)，匹配大模型訓(xùn)練基本硬件算力訴求，支持超大帶寬組網(wǎng)，支持萬億參數(shù)量，規(guī)?？梢赃_(dá)到IB的2-4倍。

網(wǎng)絡(luò)的另一個(gè)要求是高吞吐，面對大規(guī)模網(wǎng)絡(luò)采用算網(wǎng)一體化的方式部署，效率可以提升10倍以上。在AI場景中網(wǎng)絡(luò)時(shí)延不是關(guān)鍵指標(biāo)，而網(wǎng)絡(luò)吞吐才是業(yè)務(wù)性能的關(guān)鍵因素，華為獨(dú)創(chuàng)AI智能加速器，提高網(wǎng)絡(luò)吞吐，訓(xùn)練效率提升20%。

高可靠同樣是客戶對網(wǎng)絡(luò)的重要要求，華為采用智能化運(yùn)維的方式來保證訓(xùn)練實(shí)時(shí)可視分鐘級識(shí)別慢主機(jī)，保證訓(xùn)練的過程不中斷。通過采用網(wǎng)絡(luò)的控制器，包括網(wǎng)絡(luò)以及計(jì)算強(qiáng)強(qiáng)聯(lián)手，實(shí)現(xiàn)“算網(wǎng)一體的融合”，最終實(shí)現(xiàn)算力網(wǎng)絡(luò)“運(yùn)得多，運(yùn)得快，運(yùn)得穩(wěn)”的目標(biāo)，從而實(shí)現(xiàn)算力100%釋放。

進(jìn)入AI時(shí)代，數(shù)據(jù)中心的使命正在從聚焦業(yè)務(wù)快速發(fā)放向聚焦數(shù)據(jù)高效處理進(jìn)行轉(zhuǎn)變，計(jì)算、存儲(chǔ)、網(wǎng)絡(luò)等這些IT基礎(chǔ)設(shè)施的核心組成部分，正在融入更多的AI元素。企業(yè)如果想要打造未來型數(shù)據(jù)中心，就必須尋找優(yōu)秀的技術(shù)合作伙伴，致力于提供一套更好的網(wǎng)絡(luò)基礎(chǔ)設(shè)施。華為星河AI網(wǎng)絡(luò)解決方案通過構(gòu)建支持AI業(yè)務(wù)的網(wǎng)絡(luò)，實(shí)現(xiàn)從大型模型訓(xùn)練到推理的全過程。目前，華為星河AI網(wǎng)絡(luò)解決方案已在成全球100+企業(yè)部署商用。

如何打造面向未來的AI 網(wǎng)絡(luò)？

到2030年，全球聯(lián)接數(shù)預(yù)計(jì)將達(dá)到2000億，數(shù)據(jù)中心流量10年增長100倍，IPv6地址滲透率將達(dá)到90%，AI算力將增長500倍。當(dāng)前及未來的數(shù)據(jù)中心將如何應(yīng)對這些趨勢和發(fā)展要求?這就需要構(gòu)建一個(gè)立體超寬、滿足確定性時(shí)延的智能原生AI網(wǎng)絡(luò)。在華為看來，AI網(wǎng)絡(luò)的所有技術(shù)手段，都需要以業(yè)務(wù)為本，核心指標(biāo)就是減少模型的訓(xùn)練時(shí)間。

首先，大模型需要規(guī)模算力，需要非常大的GPU集群。而把大規(guī)模的GPU集群連起來，需要大規(guī)模的網(wǎng)絡(luò)。對于數(shù)據(jù)中心網(wǎng)絡(luò)而言，大規(guī)模網(wǎng)絡(luò)本身不是問題，更重要的是要考量建網(wǎng)的成本。華為主張采用大容量的交換設(shè)備組網(wǎng)降低網(wǎng)絡(luò)的層次，由原來的三層合適組網(wǎng)變成兩層寬河組網(wǎng)，從而來降低組網(wǎng)的成本。

其次，大規(guī)模的集群只是把AI物理服務(wù)器物理上連接在一起，要發(fā)揮效果還需要釋放集群算力。網(wǎng)絡(luò)在提高集群的加速比上需要發(fā)揮更加關(guān)鍵的作用。

最后，AI訓(xùn)練的本質(zhì)是并行計(jì)算，有典型的木桶效應(yīng)，水桶的盛水量是由幾塊木板中最短的一塊決定的。一個(gè)環(huán)節(jié)出問題，會(huì)拉慢整個(gè)系統(tǒng)甚至讓整個(gè)系統(tǒng)癱瘓。網(wǎng)絡(luò)需要盡可能多的保障服務(wù)器之間的連通性，對網(wǎng)絡(luò)的高可靠需求更高。未來網(wǎng)絡(luò)要提高集群的整體可用性，做到在99%的情況下都不會(huì)因?yàn)榫W(wǎng)絡(luò)導(dǎo)致訓(xùn)練中斷。

在過去20年，網(wǎng)絡(luò)技術(shù)獲得了長足發(fā)展——2000年開始的ALL IP技術(shù)推動(dòng)了互聯(lián)網(wǎng)的大規(guī)模應(yīng)用，2010年開始的All Cloud技術(shù)驅(qū)動(dòng)了企業(yè)IT基礎(chǔ)設(shè)施的大規(guī)模云化。而今天，AI浪潮正撲面而來，持續(xù)演進(jìn)的AI對網(wǎng)絡(luò)的需求將會(huì)處于指數(shù)級增長的態(tài)勢，網(wǎng)絡(luò)也需要全面擁抱人工智能時(shí)代。在這個(gè)過程中，華為將繼續(xù)攜手伙伴開放合作與持續(xù)創(chuàng)新，在算力領(lǐng)域的發(fā)展和應(yīng)用中作出更大的貢獻(xiàn)。

點(diǎn)擊“閱讀原文”，了解更多華為數(shù)據(jù)通信資訊！