看阿里云 CIPU 的 10 大能力

目录

神龙 MoC 卡

2017 年，阿里云推出了自研第一代神龙服务器，搭载自研 MoC（Microserver on Chip）卡，MoC 卡能力伴随神龙架构的演进也在迭代更新：

1. 神龙 1.0：解决上云后如何支持裸机服务的问题，将云化组件尤其是裸金属的管理模块卸载到 MoC 卡，提供裸金属的弹性交付和运维；
2. 神龙 2.0：神龙芯片能力进一步增强，通过构建轻量级 Hypervisor 实现计算虚拟化的卸载，支持虚拟机服务；
3. 神龙 3.0：存储、网络等数据面路径全面通过 DPU 芯片硬件优化，性能大幅提升，可以提供接近裸机的低延时网络；
4. 神龙 4.0：融入弹性 RDMA 能力，让 RDMA 从 HPC 类应用，走向支持通用类计算场景。

以 MoC 卡作为雏形，2022 年 6 月阿里云发布云数据中心专用处理器 CIPU，宣称将成为云时代 IDC 的处理核心。

CIPU

与传统的 SmartNIC 厂家比，云计算巨头完全是为了满足自身云计算需求。在他们看来，SmartNIC 就是一个完整的计算、存储、网络一体化处理单元，只视乎于想把如何具体的业务卸载下来，而具体业务只有使用云厂商自己最清楚了。

因此，对云厂商来说，自研 SmartNIC 似乎是一条正确的道路，其 “智能网卡” 的概念已经很薄弱了，它不仅仅是个 NIC 这么简单，它已经深深的融入他们的血液里了。

2017 年，阿里云开始部署完全自研的 X-Dragon MOC 卡。

在 2022 年阿里云峰会上，发布了一款云数据中心专用处理器 CIPU（Cloud infrastructure Processing Units，云基础设施处理器）。把 IDC 计算、存储、网络基础设施云化并且硬件加速的专用业务处理器。

CIPU 的定位

CIPU 要在通用标量计算和 AI 矢量计算等业务领域，去完成 XEON ALU 算力和 GPU stream processor 的 offloading 显然不现实。CIPU 适合的业务类型的共同业务特征：在数据流动（移动）过程中，通过深度垂直软硬件协同设计，尽最大可能减少数据移动，以此提升计算效率。

因此，CIPU 在计算机体系架构视角的主要工作是：优化云计算服务器之间和服务器内部的数据层级化 cache、内存和存储的访问效率。

CIPU 随路异构计算（位于网络和存储必经之路） = 近网络计算（in networking computing）+ 近存储计算（in storage computing）

CIPU 的 10 大能力

IO 硬件设备虚拟化

通过 VT-d 的前置支撑技术，实现高性能的 IO 硬件设备虚拟化。

同时考虑公有云 OS 生态兼容，设备模型应该尽最大努力做到兼容。因此实现基于 virtio-net、virtio-blk、NVMe 等业界标准的 IO 设备模型，成为了必须。

同时注意到 IO 设备的高性能，那么在 PCIe 协议层面的优化则至关重要。如何减少 PCIe TLP 通信量、降低 Guest OS 中断数量（同时平衡时延需求），实现灵活的硬件队列资源池化，新 IO 业务的可编程和可配置的灵活性等方面，是决定 IO 硬件设备虚拟化实现优劣的关键。

VPC overlay network 硬件加速

网络虚拟化的业务需求有：

• 需求 1：带宽线速处理能力；
• 需求 2：极致 E2E 低时延和低时延抖动；
• 需求 3：不丢包条件下的高 pps 转发能力。

目前传统方案遇到的挑战：

1. 100Gbps+ 大带宽数据移动，导致 “冯诺依曼内存墙” 问题突出；
2. CPU 标量处理网络虚拟化业务，并行性瓶颈明显；
3. 基于软件的数据路径处理，时延抖动难以克服。

此时，基于硬件转发加速的业务需求诞生，技术实现层面可以分为：

• 类似于 MNLX ASAP、Intel FXP、Broadcom trueflow 等基于可配置的 ASIC 转发技术：具备最高的性瓦比和最低的转发时延，但是业务灵活性就比较捉襟见肘；
• 基于 many core 的 NPU 技术：具备一定的转发业务灵活性，但是 PPA（power-performance-area）效率和转发时延无法和可配置 ASIC 竞争。
• FPGA 可重配置逻辑实现转发技术：time to market 能力有很大优势，但是对于 400Gbps/800Gbps 转发业务，挑战很大。

EBS 分布式存储接入硬件加速

公有云存储要实现 9 个 9 的数据持久性，且计算和存储要满足弹性业务需求，必然导致存算分离。EBS（阿里云块存储）必须在机头 Initiator 高性能、低时延地接入机尾的分布式存储 Target。

具体需求层面：

1. EBS 作为实时存储，必须实现 E2E 极致低时延和极致 P9999 时延抖动；
2. 实现线速存储 IO 转发，诸如 200Gbps 网络环境下实现 6M IOPS；
3. 新一代 NVMe 硬件 IO 虚拟化，满足共享盘业务需求的同时，解决 PV NVMe 半虚拟化 IO 性能瓶颈。

本地存储虚拟化硬件加速

本地存储，虽然不具备诸如 EBS 9 个 9 的数据持久性和可靠性，但是在低成本、高性能、低时延等方面仍然具备优势，对计算 Cache、大数据等业务场景而言是刚需。

如果做到本地盘虚拟化之后，带宽、IOPS、时延的零衰减，同时兼具一虚多、QoS 隔离能力、可运维能力，是本地存储虚拟化硬件加速的核心竞争力。

弹性 RDMA

RDMA 网络在 HPC、AI、大数据、数据库、存储等 Data centric 业务中，扮演愈来愈重要的技术角色。可以说，RDMA 网络已经成为了 Data centric 业务差异化能力的关键。

eRDMA 能力可用于包括 HPC、AI、数据库、大数据等多个场景，将 RDMA 变成一种通用的网络基础设施。

普惠

eRDMA 依托于阿里云的神龙架构 MoC 卡，结合通用的服务器以及交换机，再加上私有的协议来实现 RDMA，由于替代了专用网络交换机和网卡设备，所以成本亲民，无需购买昂贵的设备和建设专用网络。

高性能

eRDMA 可提供最低 5 微秒的时延，延迟表现优于同类技术方案（AWS 的 EFA 为 15.5 微秒），虽然比基于 Infiniband 实现的 RDMA 方案高了几微秒，但与原来 25 微秒的 VPC 相比，大约降低了 80%，由此，数据库、AI 和大数据等应用获得 30%~130% 的性能提升（Redis 数据库性能提升 100%，AI 训练性能和大数据性能提升 30%）。

值得强调的是，eRDMA 最低 5 微秒的时延表现是在单个 AZ（可用区）组网中的表现。当然，如果跨地域组网，则时延表现会增长，但实际上，跨区域组网部署应用的情况很少见。因此，5 微秒的时延有比较实际的参考价值。

大规模组网

常见的 RDMA 实现方案有 Infiniband 和 RoCE 网络两种（iWARP 比较少见了），这两种方案虽然性能表现比 eRDMA 强，但都依赖于昂贵的专用网络设备，特别是要有优先级流量控制能力的交换机设备，运维成本也比较高，更重要的是，这两种方案都无法实现大规模组网。

eRDMA 具备很强的扩展性，eRDMA 突破了传统 RDMA 实现方案中无法大规模组网的问题，传统组网方案中，一台交换机只能支持三四百台设备，而 eRDMA 则能通过大规模组网构建更大的计算集群。

技术实现上，阿里云的 eRDMA 采用了自研的 HPCC 拥塞控制算法，可以容忍 VPC 网络中的传输质量变化（延迟、丢包等），在有损的网络环境中依然拥有良好的性能表现。

虽然 TCP/IP 也能做到 RDMA 要求的可靠性，但是它是以牺牲时延来达到的可靠，而 eRDMA 在技术上的突破点在于，既提供了类似于 TCP/IP 的可靠性，同时也有极佳的延迟表现。

弹性

eRDMA 简单易用，它一端对接的是用户熟悉的 VPC 网络，可以利用 VPC 提供的各种功能特性，能对接各种云上资源，获得资源弹性能力。

实现了 RDMA 上云，随开随用，不需要花费长时间部署。基于云上 Overlay 网络大规模部署，Overlay 网络可达的地方，RDMA 网络可达。

RDMA verbs 生态 100% 兼容

另一端，eRDMA 为 Application 提供的 ERI（Elastic RDMA Interface）接口也完全参照了 RDMA 上流行的验证接口，对接开放生态。

eRDMA 支持原生的 Verbs 接口的应用，实现对上层应用的无缝支持，来享受 RDMA 带来的性能收益，在整体性能方面都有了非常明显的提升，即使是 Spark 和 Redis 这类数据库应用，即使不用做过多的改造，它的性能也有非常明显提升。

AI/ML

谈到大规模集群的应用场景，不得不提机器学习训练场景。

从阿里云过去几年服务 AI 场景的实践来看，主要都是从网络加速层面优化机器学习训练过程，而非在机器学习框架和模型层面做优化。通过利用 AIACC 加速引擎来优化机器学习训练集群的通信效率，从而提升在云上做机器学习训练的效率。

安全硬件加速

持续加强硬件可信技术、VPC 东西向流量全加密、EBS 和本地盘虚拟化数据全量加密，基于硬件的 Enclave 技术等，是云厂商持续提升云业务竞争力的关键。

云可运维能力支撑

云计算的核心是 Service（服务化），从而实现用户对 IT 资源的免运维。而 IaaS 弹性计算可运维能力的核心是：

• 全业务组件的无损热升级能力
• 虚拟机的无损热迁移能力。

弹性裸金属支持

弹性裸金属在具体定义层面必须实现如下八项关键业务特征。同时，云计算弹性业务必然要求弹性裸金属、虚拟机、安全容器等计算资源的并池生产和调度。

CIPU 池化能力

考虑到通用计算和 AI 计算在网络、存储和算力等方面的需求差异巨大，CIPU 必须具备池化能力。通用计算通过 CIPU 池化技术，显著提升 CIPU 资源利用率，从而提升成本层面的核心竞争力；同时又能够在一套 CIPU 技术架构体系下，满足 AI 等高带宽业务需求。

计算虚拟化支撑

计算虚拟化和内存虚拟化的业务特性增强，云厂商均会对 CIPU 有不少核心需求定义。