加速網(wǎng)絡將 CPU、GPU、DPU（數(shù)據(jù)處理器）或 SuperNIC 組合到專為設計用于優(yōu)化網(wǎng)絡工作負載的加速計算網(wǎng)絡架構(gòu)。它使用專用硬件來卸載要求嚴苛的任務，以增強服務器功能。隨著 AI 和其他新工作負載的復雜性和規(guī)模不斷增加，對加速網(wǎng)絡的需求變得至關(guān)重要。

數(shù)據(jù)中心作為新的計算單元，隨著網(wǎng)絡服務對 CPU 壓力的增加，現(xiàn)代工作負載對網(wǎng)絡基礎(chǔ)設施提出了新的挑戰(zhàn)。網(wǎng)絡基礎(chǔ)設施需要具備敏捷性、自動化和可編程性的框架，并配備加速器和卸載功能，這些是充分發(fā)揮人工智能技術(shù)潛力和推動創(chuàng)新的關(guān)鍵。

本文將探討加速網(wǎng)絡技術(shù)在數(shù)據(jù)中心中的優(yōu)勢和實施策略，并重點介紹其在提升性能、可擴展性和效率方面的作用。

加速您的網(wǎng)絡

網(wǎng)絡加速需要優(yōu)化網(wǎng)絡的各個方面，包括處理器、網(wǎng)卡（NIC）、交換機、線纜、光纖通信和網(wǎng)絡加速軟件。利用無損網(wǎng)絡、遠程直接內(nèi)存訪問（RDMA）、動態(tài)路由、擁塞控制、性能隔離和網(wǎng)絡計算，將幫助企業(yè)充分發(fā)揮現(xiàn)代應用程序（包括 AI）的潛力。

通過合理控制數(shù)據(jù)注入速率，可以顯著提高共享網(wǎng)絡的效率。在處理大規(guī)模數(shù)據(jù)流時，實施動態(tài)路由算法的以太網(wǎng)交換機能夠動態(tài)負載均衡整個網(wǎng)絡中的數(shù)據(jù)，避免擁塞并降低延遲。交換機的多路徑和數(shù)據(jù)包分發(fā)技術(shù)可以進一步提升網(wǎng)絡效率，確保數(shù)據(jù)及時到達，并最大程度減少瓶頸。這些技術(shù)有助于防止交換機與 NIC 或 DPU 之間的數(shù)據(jù)沖突，而流量隔離技術(shù)通過防止一個數(shù)據(jù)流對其他數(shù)據(jù)流產(chǎn)生負面影響，從而確保數(shù)據(jù)的及時交付。

另一種優(yōu)化技術(shù)是部署 SuperNIC 和 DPU。SuperNIC 是一種適用于 AI 云數(shù)據(jù)中心的網(wǎng)絡加速器，可在 GPU 服務器之間提供可靠、無縫的連接。DPU 是一種新興的處理器類別，可實現(xiàn)增強、加速的網(wǎng)絡。在 SuperNIC 和 DPU 的幫助下，可以從主機處理器中卸載工作負載，以加速通信，從而使數(shù)據(jù)中心能夠應對不斷增長的數(shù)據(jù)移動需求。

要實現(xiàn)加速網(wǎng)絡，請考慮以下技術(shù)。

加速服務

工作負載經(jīng)歷了重大的范式轉(zhuǎn)變，過渡到去中心化，通過容器和微分段分割工作負載。這導致服務器之間的網(wǎng)絡帶寬（東西向流量)大幅增加。

AI 工作負載是一個分布式計算問題，需要使用多個互連的服務器或節(jié)點。這會給網(wǎng)絡和 CPU 帶來巨大壓力。工作負載的去中心化需要重新檢查網(wǎng)絡基礎(chǔ)設施，從而通過添加加速器使 CPU 和 GPU 擺脫處理網(wǎng)絡、存儲和安全服務的負擔。這使得 CPU 能夠?qū)Ｗ⒂趹贸绦蚬ぷ髫撦d。加速可確保這些節(jié)點之間的高速、低時延數(shù)據(jù)傳輸，并實現(xiàn)高效的工作負載分配和更快的模型訓練。

網(wǎng)絡抽象

向高度虛擬化數(shù)據(jù)中心和云模型的轉(zhuǎn)變正在給傳統(tǒng)網(wǎng)絡帶來壓力。傳統(tǒng)數(shù)據(jù)中心網(wǎng)絡的設計并不是為了支持當今虛擬化工作負載的動態(tài)特性。網(wǎng)絡抽象（包括網(wǎng)絡疊加）可以在物理網(wǎng)絡之上運行多個獨立的、分離的虛擬化網(wǎng)絡層。這些對于提供靈活性、擴展性和加速至關(guān)重要。但是，如果實施不當，它們可能會阻礙網(wǎng)絡流量。

網(wǎng)絡優(yōu)化

收集和處理的大量數(shù)據(jù)已將工作負載推向以數(shù)據(jù)為中心的時代。大型數(shù)據(jù)集的可用性與機器學習和生成式 AI 等技術(shù)進步相結(jié)合，增加了對更多數(shù)據(jù)的需求，以滿足學習算法的需求。這種數(shù)據(jù)爆炸式增長的后果是需要移動、處理、檢索和存儲大型數(shù)據(jù)集。

無損網(wǎng)絡可以保證準確的數(shù)據(jù)傳輸，而不會造成任何丟失或損壞，對于移動、處理、檢索和存儲這些大型數(shù)據(jù)集至關(guān)重要。RDMA 技術(shù)通過在不涉及 CPU 的情況下實現(xiàn)內(nèi)存位置之間的直接數(shù)據(jù)傳輸來提高網(wǎng)絡性能。無損網(wǎng)絡和 RDMA 的結(jié)合可以優(yōu)化數(shù)據(jù)傳輸效率，減少 CPU 和 GPU 空閑時間，從而實現(xiàn)高效的數(shù)據(jù)移動，以滿足現(xiàn)代應用程序的需求。

端到端堆棧優(yōu)化

現(xiàn)代工作負載具有獨特的網(wǎng)絡流量模式。傳統(tǒng)工作負載生成的流量模式具有多流、小數(shù)據(jù)包和低方差。現(xiàn)代應用程序的流量涉及大數(shù)據(jù)包、少量流和高方差，包括大象流和流量模式的頻繁變化。

動態(tài)路由算法用于動態(tài)負載均衡在整個網(wǎng)絡中的數(shù)據(jù)，從而防止這些新流量模式的擁塞和高時延。顯式擁塞通知（ECN）等擁塞控制機制還可確保高效的數(shù)據(jù)流并最大限度地減少性能下降。為此，必須使用優(yōu)化的端到端堆棧來構(gòu)建網(wǎng)絡，以加速新的流量模式。

網(wǎng)絡計算

現(xiàn)代工作負載的大型數(shù)據(jù)集需要對高度并行化的算法進行超快速處理，這使其更加復雜。隨著計算需求的增加，網(wǎng)絡計算通過提供基于硬件的集合通信操作加速，有效地將集合操作從 CPU 卸載到網(wǎng)絡。這一功能顯著提高了分布式 AI 模型訓練的性能，減少了通信開銷，并加速了模型收斂。從而消除了在端點之間多次發(fā)送數(shù)據(jù)的需求，并加速了網(wǎng)絡性能。

網(wǎng)絡加速可降低 CPU 利用率，為 CPU 處理應用程序工作負載留出更多容量。它還可以減少抖動以改善數(shù)據(jù)流，并提供更高的整體吞吐量，從而更快地處理更多數(shù)據(jù)。

總 結(jié)

網(wǎng)絡加速技術(shù)不斷發(fā)展，并變得更加專業(yè)。最新的演進將解決 AI 工作負載問題，這些工作負載需要一致、可預測的性能以及能夠運行多租戶環(huán)境的計算和能效。

審核編輯：黃飛