华为研究-网络筑基_智算腾飞2025年7月_149页_31mb

华为研究总结：AI时代网络技术演进与创新

核心内容

本期《华为研究》聚焦AI时代网络技术的创新与演进，围绕传输层技术、网络均衡、通算融合、集合通信、网络拓扑、互联与接口等多个核心议题，探讨如何构建面向未来的智能网络，为AI发展提供坚实的技术支撑。

主要观点

1. 传输层技术

• 传输层数控分离（DCP）技术体系：提出“数控分离、控制面无损、数据面有损”的DCP架构，以减少网络侧Buffer开销，实现高吞吐、低时延的传输性能。
• 双向概率头部裁剪（CP）：通过概率性CP触发机制，避免多流同步触发，减少带宽震荡；通过双向反馈，提升长距离场景下的反馈效率。
• 可靠保序机制：提出“发端免Bitmap”和“双端免Bitmap”两种机制，减少存储负担，提升可靠性与效率。
• 乱序接收（DDP）：通过免Buffer DDP设计，实现数据报文的高效接收与重排，减少延迟和带宽消耗。
• HT-CC拥塞控制算法：基于头部修剪和ECN信号，实现有损网络下的快速启动、收敛和恢复，参数少、调优方便、部署便捷。

2. 网络均衡

• 智算中心网络流量特征：流数量少、路由熵低、单流流量大、阶段性强，对传统ECMP等方案提出了挑战。
• NSLB算网协同时空均衡：通过集中式视角，主动获取全局通信关系，统一算路下发配置，实现全网链路无冲突，提升网络吞吐效率。
• 逐包负载均衡（ACK-Clocking）：基于端侧AR，利用ACK信号实现细粒度负载均衡，有效应对链路故障和拥塞问题。

3. 通算融合

• 网存算融合技术：通过统一多NPU编程范式，提升系统性能近线性扩展，增强兼容性和可维护性。
• 未来探索方向：提出“网络即计算”的愿景，推动网络与计算的深度融合，实现更高效的资源利用和通信性能。

4. 集合通信

• 集合通信的重要性：是大规模AI训练和高性能计算的关键技术，影响端到端效率和算效。
• 算法设计挑战：面对参数量和序列长度指数增长，提升集合通信效率成为研究热点。
• 华为实践与展望：介绍了华为在集合通信算法设计上的实践，提出未来研究方向，如优化通信模式、提升算效等。

5. 网络拓扑设计

• 光电混合组网：提出光电混合数据中心网络的优势，解决传统电交换架构的成本和能耗问题。
• 超节点与集群组网设计：分析超节点特征，提出集群组网设计原则与创新改进，提升网络的性能与可靠性。
• FIRE路由控制架构：提出面向AI需求的FIRE架构，实现快速收敛与意图驱动的路由控制。

6. 互联与接口

• 高效智能短距光互联：探讨光互联模块的多模和单模技术进展，以及在超节点和大型集群中的应用。
• 智能化高速接口：包括智能故障诊断、灵活降Lane和物理层加密等，提升网络接口的智能化水平。
• 448G互联技术探索：展望448G互联技术的需求、架构及关键技术，为新一代互联技术提供参考。

关键信息

• DCP技术体系：通过“数控分离”实现控制面无损，数据面有损，降低网络Buffer开销和成本，提升传输性能。
• NSLB算法：通过集中式视角，实现无冲突通信，提升AI训练效率，大模型训练提速20%。
• ACK-Clocking机制：通过端侧AR，实现细粒度负载均衡，提升带宽利用率，减少拥塞。
• HT-CC算法：基于头部修剪和ECN信号，实现有损网络下的高效拥塞控制，性能优于传统方案。
• 448G互联技术：探讨未来高速互联技术的需求与关键技术，为下一代网络架构提供思路。

技术探索与应用

• AI集群网络性价比提升：通过优化网络传输机制，提升网络效率，降低资源消耗。
• 跨AZ分布式AI训练组网：研究跨可用区组网和通信策略，提升AI训练的扩展性与可靠性。
• 网络自闭环与流量大模型：通过数据驱动网络自闭环，提升网络智能化水平；构建网络流量大模型，优化网络资源调度。
• 基于LLM的运维Agent：探索利用大模型提升网络运维效率，实现智能化运维。

结论与展望

• AI时代的网络不仅是数据传输通道，更是计算集群的关键子系统，是实现AI Scaling Law的核心基础设施。
• DCP、NSLB、HT-CC等技术体系为构建高效、可靠、智能的AI网络提供了重要支撑。
• 未来网络技术将更加智能化、高效化，实现“网络即计算”的愿景，推动AI与网络的深度融合。

缩略语与关键术语

参考文献

• [1] Yibo Zhu, Haggai Eran, Daniel Firestone, Chuanxiong Guo, et al., "Congestion control for large-scale RDMA deployments," in SIGCOMM 2015.
• [2] Radhika Mittal, Alexander Shpiner, Aurojit Panda, et al., "Revisiting network support for RDMA," in SIGCOMM 2018.
• [3] Peng Cheng, Fengyuan Ren, Ran Shu, and Chuang Lin, "Catch the whole lot in an action: Rapid precise packet loss notification in data center," in NSDI 2014.
• [4] Mark Handley, Costin Raiciu, Alexandru Agache and Andrei Voinescu, "Re-architecting datacenter networks and stacks for low latency and high performance," in SIGCOMM 2017.
• [5] Van Jacobson, "Congestion avoidance and control," in ACM SIGCOMM, 1988.
• [6] Mohammad Alizadeh, Albert Greenberg, David A. Maltz, Jitendra Padhye, Parveen Patel, Balaji Prabhakar, Sudipta Sengupta, and Murari Sridharan, "Data Center TCP (DCTCP)," in ACM SIGCOMM, 2010.
• [7] Yuanwei Lu et al. "Multi-path transport for RDMA in datacenters," 15th USENIX symposium on networked systems design and implementation (NSDI 18). 2018.