人工智能（AI），特別是大規(guī)模模型訓練和推理，正以前所未有的方式重塑數(shù)據(jù)中心網(wǎng)絡。傳統(tǒng)的“盡力而為”網(wǎng)絡架構(gòu)，在處理海量、突發(fā)的AI數(shù)據(jù)洪流時捉襟見肘。AI模型對網(wǎng)絡性能的嚴苛要求——高帶寬、低延遲、零丟包——迫使網(wǎng)絡必須進行一場深刻的智能進化，從被動的基礎設施轉(zhuǎn)變?yōu)槔斫鈽I(yè)務、感知狀態(tài)、智能決策的“AI感知網(wǎng)絡”。

AI業(yè)務訴求：對傳統(tǒng)網(wǎng)絡架構(gòu)的挑戰(zhàn)

AI集群（如GPU/TPU服務器）間的通信呈現(xiàn)出典型的“大象流”特征，流量總量巨大、并發(fā)連接少、單條流帶寬極高（可達數(shù)百Gbps）。這與傳統(tǒng)數(shù)據(jù)中心中“數(shù)量多、帶寬小”的“老鼠流”模式截然不同。傳統(tǒng)均衡技術失效，逐流ECMP依賴Hash算法在少量大流上極易導致嚴重負載不均，特定路徑擁塞而其他路徑閑置。Flowlet 對路徑時延差異敏感，配置參數(shù)（如Gap值）難以適應動態(tài)變化的網(wǎng)絡環(huán)境，全局信息缺失導致效果打折。逐包ECMP亂序問題嚴重，嚴重影響GPU計算效率。AI訓練任務（如AllReduce）具有全局同步特性。任何一條關鍵路徑上的擁塞、丟包或高延遲，都會導致整個計算集群“空等”，顯著拖慢任務完成時間（Job Completion Time, JCT），直接影響業(yè)務效率和資源成本。

RoCE交換機（SONiC-Based）選用的動態(tài)智能選路創(chuàng)新方案結(jié)合了逐流 ECMP 均衡和基于子流 flowlet 均衡提出動態(tài)WCMP（Weighted Cost Multipath）和基于flowlet 的 ALB（Auto Load Balancing），下面將介紹具體相關技術。

網(wǎng)絡智能進化：為AI而生的核心技術

網(wǎng)絡態(tài)勢實時感知：高精度測量的基石

• ASIC硬件級統(tǒng)計（百毫秒級）：? 直接讀取交換機芯片寄存器，獲取端口/隊列的帶寬利用率、緩存占用等關鍵指標，通過SONiC控制面以亞秒級精度匯聚分析。

• 帶內(nèi)網(wǎng)絡遙測INT（納秒級）：? 采用HDC（高延遲捕獲）技術。當數(shù)據(jù)包在交換機內(nèi)部經(jīng)歷超過設定閾值的延遲時，該數(shù)據(jù)包的前150字節(jié)及關鍵元數(shù)據(jù)（入口/出口端口、精確時延）會被復制并發(fā)送給分析器（如交換機CPU）。這提供了前所未有的微突發(fā)流量和隊列擁塞的洞察能力。

動態(tài)智能選路技術在星融元交換機上開啟 HDC 功能，并將 CPU 作為 HDC 的收集分析器，通過分析 HDC 報文實現(xiàn)高精度測量交換機轉(zhuǎn)發(fā)時延，并將時延信息作為路徑質(zhì)量評價因子，提高路徑質(zhì)量評價精度。

命令行配置 HDC 功能控制INT進程運行，之后通過 socket 連接進行收包循環(huán)，將收取到的報文進行解析并將關鍵信息（出入端口、轉(zhuǎn)發(fā)時延等）寫入數(shù)據(jù)庫。

全局路徑智能評估與同步

感知到的數(shù)據(jù)需要轉(zhuǎn)化為對整網(wǎng)路徑質(zhì)量的統(tǒng)一認知。

• BGP擴展社區(qū)屬性傳遞路徑質(zhì)量：? 創(chuàng)新性地擴展BGP協(xié)議（數(shù)據(jù)中心廣泛部署的底層路由協(xié)議），定義新的Path Bandwidth Extended Community屬性。該屬性攜帶一個綜合評估路徑質(zhì)量的浮點數(shù)值（單位GB/s），通過BGP Update報文在整網(wǎng)擴散。

路徑質(zhì)量同步算法邏輯如下圖所示：

動態(tài)智能選路技術將兩層 Leaf-Spine 組網(wǎng)中的交換機端口分為了三類：Leaf 上行口、Leaf 下行口和 Spine口，每種類型端口賦予不同的計算系數(shù)，且每種端口的計算系數(shù)可配。

• 異常路徑主動剔除：? 設定質(zhì)量閾值。綜合質(zhì)量過低的路徑（如擁塞嚴重、時延過高）被判定為“異常路徑”并暫時剔除，避免其拖累整體性能，待其恢復后重新引入。

智能負載決策與執(zhí)行：動態(tài)WCMP + Flowlet ALB

基于實時感知的全局路徑視圖，執(zhí)行層實現(xiàn)精細化流量調(diào)度：

動態(tài)WCMP（加權多路徑）：?

• 核心思想：? 不再是ECMP的“平均主義”，而是根據(jù)每條路徑的實時綜合質(zhì)量動態(tài)計算權重（如質(zhì)量比38:80對應權重比3:7）。
• 效果：? 將流量按比例引導到當前最優(yōu)的路徑上，最大化利用可用帶寬，避免擁塞熱點。權重隨網(wǎng)絡狀態(tài)變化而動態(tài)調(diào)整。

基于Flowlet的自動負載均衡（ALB）：?

• 作為ECMP的智能增強器：? 在ECMP選定的下一跳組內(nèi)，ASIC芯片實時監(jiān)測組內(nèi)各出端口的瞬時負載和隊列時延。
• 微秒級智能調(diào)度：? 當一個Flowlet（具有自然間隙的數(shù)據(jù)包子流）到達時，ALB將其動態(tài)分配到組內(nèi)當前負載最輕或時延最低的物理端口上。高負載/高時延端口會被臨時跳過。
• 故障自愈：? 支持端口級Fail-over，鏈路故障時自動觸發(fā)流量重分布。

多租戶支持：網(wǎng)絡虛擬化（VRF）

AI云平臺需要支持多租戶隔離。

• VRF隔離：? 為不同用戶/租戶分配獨立VRF路由表。
• 基于源IP的流量分類：? 利用ASIC的PRE-ACL能力，根據(jù)GPU網(wǎng)段源IP自動將流量劃入對應的租戶VRF進行查表轉(zhuǎn)發(fā)，確保租戶間嚴格隔離。

智能網(wǎng)絡賦能AI業(yè)務場景

化解流量洪峰：動態(tài)WCMP的威力

• 場景：? 256 x 400G GPU集群，1:1收斂比Leaf-Spine架構(gòu)。Server1 GPU1 -> Server17 GPU1的大象流。
• 傳統(tǒng)ECMP困境：? Hash沖突可能導致所有大象流涌向同一Spine，造成Leaf1上行口擁塞丟包，拖慢整個訓練任務

動態(tài)智能選路方案：?

1. Server17 GPU1的BGP路由攜帶Leaf17->GPU1質(zhì)量宣告。
2. Spine疊加自身->Leaf17質(zhì)量后宣告給Leaf1。
3. Leaf1疊加自身->Spine質(zhì)量，匯總所有到GPU1路徑的質(zhì)量。
4. Leaf1剔除劣質(zhì)路徑，基于剩余路徑質(zhì)量動態(tài)計算WCMP權重（如3:7）。
5. 流量按最優(yōu)比例分發(fā)到多條Spine路徑，避免單點擁塞，保障大象流順暢。

業(yè)務價值：? 防止關鍵路徑擁塞，穩(wěn)定JCT，提升GPU集群整體利用率。

Flowlet ALB優(yōu)化ECMP

• 場景：? 在Leaf1到Spine的ECMP組內(nèi)，某條鏈路突發(fā)微擁塞導致時延升高。

Flowlet ALB作用?

1. ASIC實時檢測到該出端口負載/時延超標。
2. 后續(xù)到達的Flowlet被自動引導至組內(nèi)其他負載正常/時延低的端口。
3. 擁塞端口被暫時“規(guī)避”，待其負載/時延恢復正常后，F(xiàn)lowlet將再次被分配至此端口。

業(yè)務價值：? 消除微突發(fā)導致的局部擁塞和抖動，優(yōu)化端到端時延，提升GPU計算效率。

AI時代的網(wǎng)絡，已不再是簡單的連通管道。星融元CX-N系列RoCE交換機所代表的動態(tài)感知 + 智能決策（動態(tài)WCMP） + 精準執(zhí)行（Flowlet ALB） 架構(gòu)，標志著網(wǎng)絡向“AI感知網(wǎng)絡”的深刻進化。這種進化以保障AI業(yè)務性能為核心目標，通過實時感知網(wǎng)絡狀態(tài)、智能評估路徑質(zhì)量、動態(tài)調(diào)整流量分布，有效化解了傳統(tǒng)網(wǎng)絡在AI負載下的性能瓶頸，為大規(guī)模AI訓練和推理提供了穩(wěn)定、高效、無損的網(wǎng)絡基石，釋放AI的真正潛力。