阿里云為LLM自研以太網網絡架構，替換NVLink
阿里云近期宣布了一項重大技術創新，展示了其為大型語言模型（LLM）訓練設計的數據中心網絡架構，該架構基于以太網技術，已在生產環境中穩定運行長達8個月，標志著AI基礎設施領域的一大突破。這一設計旨在優化數據傳輸效率，解決傳統網絡在處理大規模AI模型訓練時面臨的諸多挑戰，特別是針對突發流量處理和網絡負載均衡的問題。
專為GPU同步設計，應對LLM訓練流量挑戰
阿里云的高級工程師及網絡研究科學家翟恩南通過GitHub公布了題為《Alibaba HPN: A Data Center Network for Large Language Model Training》的研究論文，該論文將在8月舉辦的SIGCOMM會議上發表。（SIGCOMM是計算機協會數據通信特別興趣小組的年度聚會）
論文揭示，傳統云計算流量通常涉及數百萬個小規模流（小于10Gbps），而LLM訓練則會在每個主機上產生周期性的突發流，流量高達400Gbps。這種特性導致了等價多路徑路由（ECMP）技術中常見的哈希極化問題，影響了負載均衡和帶寬的有效利用。
因此，阿里云自主研發了“高性能網絡”（HPN），通過減少ECMP的使用，有效避免了哈希極化，同時精確選擇網絡路徑以適應大規模流量需求。
考慮到GPU在LLM訓練時需要高度同步工作，阿里云的網絡設計特別考慮到了單點故障問題，使用了一款51.2 Tb/sec的以太網單芯片ToR（Top of Rack，ToR）交換機。每個用于訓練的主機配備了8個GPU和9個網絡接口卡（NIC），其中每個NIC有兩個200GB/s的端口，確保了即使在單個交換機故障的情況下也能維持通信。
通過“軌道”設計，每個NIC對應一個GPU，實現了每個加速器享有400Gb/s的RDMA網絡吞吐量，整體帶寬達到了3.2Tb/s，最大化了GPU的PCIe Gen5 x16接口潛力。
以太網聯盟與開放標準的勝利
有媒體認為，阿里云選擇以太網是為了避免過度依賴特定供應商，并利用整個以太網聯盟的力量實現更快的發展。這一決策與越來越多廠商開始支持以太網，逃離英偉達（NVIDIA）NVlink在云端AI互聯上的壟斷趨勢相吻合。
盡管放棄了用于主機間通信的NVlink，阿里云仍然在主機內網絡中使用了Nvidia的專有技術，因為主機內GPU之間的通信需要更大的帶寬。然而，由于通道之間的通信速度較慢，每個主機提供的“專用400 Gbps RDMA網絡吞吐量，總帶寬達到3.2 Tbps”，足以最大化PCIe Gen5x16顯卡的帶寬。
阿里云選擇以太網作為基礎，還因為以太網聯盟的支持和開放標準的長期優勢。這一決策得到了AMD、Broadcom、Cisco、Google、HPE、Intel、Meta和Microsoft等科技巨頭的廣泛歡迎，這些公司正通過Ultra Accelerator Link聯盟等倡議，共同推動開放標準網絡技術的發展，以期對抗NVIDIA在AI網絡領域的主導地位。
數據中心的獨特設計
阿里云的數據中心采用“Pod”模式，每個Pod可容納15,000個GPU，與HPN結合，完美匹配了18MW建筑的功率限制。光纖長度的優化設計允許使用成本更低的多模光收發器。盡管HPN的引入增加了布線復雜度，但阿里云已經在探索更高效的設計，如下一代網絡架構，預計將配備更高容量的單芯片交換機。
此外，阿里云在數據中心還采用了51.2Tb/s的以太網單芯片交換機，顯著提升了網絡吞吐量和穩定性，同時降低了能耗。然而，單芯片交換機在運行過程中面臨高溫難題，市場上缺乏有效散熱解決方案。
為此，阿里云自主研發了以更多支柱為中心的均熱板散熱器，通過優化結構設計，有效控制了芯片溫度，確保了交換機的穩定運行。
然而，HPN仍存在一些缺點，最大的缺點是其復雜的布線結構。每個主機有九個NIC，每個NIC連接到兩個不同的ToR交換機，這增加了插孔和端口混淆的可能性。盡管如此，這項技術據稱比NVlink更經濟，從而使任何建立數據中心的機構都能在設置成本上節省大量資金（甚至可能使其避免使用Nvidia技術，特別是在中美芯片戰中受到制裁的公司）。
