智算网络中Scale-out和Scale-up网络的技术原理

 

智算网络中Scale-out网络和Scale-up网络的本质区别是什么？

   

一、什么是智算中心的Scale-out网络和Scale-up网络

数据中心网络总体上可分为两大类：通算网络和智算网络。通算网络主要用于支持传统的计算任务和应用，如企业的IT系统、网站托管、电子邮件服务等；而智算网络则专门用于支持人工智能(AI)和机器学习(ML)任务。这类网络需要更高的计算能力和更低的延迟，以处理大量的数据并执行复杂的计算任务。

当前，主流的机器学习(ML)智算网络和通算网络在架构上有很大差异。通算网络通常只有一张网，而智算网络则可能包含两张网。如下图所示：

智算中心的两张网中，一张是通过ETH/IB实现GPU之间的RDMA功能的网络，即所谓的前端网络，通常称作Scale-out网络。一张是GPU之间高速互连，可以实现POD内跨GPU之间的内存的读写，即所谓的后端网络，即通常说的scale-up网络。

在大模型的智算网络中，训练和推理对后端网络的需求各有不同。以marvell的图为例，训练scale-up网络时所需的带宽容量要求更高。

二、scale-out和scale-up网络现状

Nvidia的scale-up网络是一种面向GPU互联的网络，可以实现GPU算力Scale Up扩展。该网络采用自研NVLink互联和NVLink网络来实现GPU算力Scale Up扩展，相比于基于InfiniBand网络和基于Ethernet的RoCE网络形成差异化竞争力。

当前，基于Nvidia的NVLink技术的scale-up网络广泛应用于N系统的GPU。以DGX B200 NVL72为例，其由18个compute tray和9个switch tray组成，实现了高效的扩展。这一网络由Nvidia紧密控制，确保了稳定性与性能。

Scale-out网络以DGX B200 NVL72为例，每个compte tray的4个智能网卡和1个DPU卡组成。该网络支持N系IB/ETH或开放的ETH系，如UEC等性能提升方案GSE。国内智算网络普遍采用基于scale-out开发的架构。

根据Nvidia的解释，cluster和superpod这两个概念需要被区分开来。在superpod中，所有的GPU都通过NVLink高速总线互相连接，形成了一个全带宽互连的域，也就是所谓的scale-up网络。

Cluster是由所有GPU服务器组成的一个网络群的总称，一个cluster可以有多个superpod组成，通过scale-out网络来连接。Superpod是一个逻辑设备，它代表了一组Pod,这些Pod共享相同的硬件资源和存储卷。

    对于N系的GPU服务器来说，目前的Scale-up的网络规模一般可以认为是scale-out网络的十倍。从下图中 GB200 超级芯片的接口上可以看出，NVLink、InfiniBand、Ethernet 三种网络的容量配比为，NVLink 网络 14.4Tb/s，InfiniBand 网络 1.6Tb/s，Ethernet 网络 400Gb/s。三种网络的端口带宽之比为 NVLink : InfiniBand : Ethernet = 36 : 4 : 1。

"Scale-up的Nvlink网络，其带宽是RDMA IB的近10倍，为CPU间数据存储提供了强大支持。这种网络主要应用于智能网卡的域中，并在实际应用中作为scale-out网络发挥作用。"

三、为什么要区别这两个网络

本质上，Scale-out和Scale-up两张网旨在实现GPU间内存数据的高效传输。然而，为何要采用双网络并制造如此大的骚动呢？

    这个主要是起源于两点，一个是大模型的涌现现象，即对于ML来说，模型越大越好，夸张点说是上不封顶。另外一个就是在目前的大模型训练的时候，大模型的数据量对于单台GPU的服务器来说已经太大，必须通过各种的并行处理的方式，把数量的处理和存储分散到多个GPU中去，这样也就会带来一系列的问题，包括各种并行之间的通信开销，并行分割的开销，编程的复杂程度等等。例如，Transformer模型的注意力机制和前馈网络都需要大量的内存和计算资源。更大的GPU内存可以容纳整个模型，避免频繁的分割和通信开销。

    对于大模型训练，最理想的方式就是一个超级大的supersupersuper chip的GPU，这样的话，不可以节省并行切割的开销。但是，现实肯定不现实的，为此，大家就想到了一个办法，把大模型分解为两大类，一个是需要在高频度进行数据交互的，例如张量并行和专家并行。把这些并行处理放置到GPU之间通过超高带宽，超低时延互连的网络中进行处理，压缩他们之间的通讯开销成本。当然，这个网络的成本是否非常昂贵的，这就是Scale-up网络，或 Load-Store/内存语义网络。这是一个追求极致性能的互连网络。

另一类方法是将数据分解为相对独立的并行任务，如流水线并行和数据并行。这类技术被称为消息语义网络或scale-out网络。利用现有的以太网技术体系，结合适度的改造，我们可以在保持较低成本的同时，更好地满足性能需求。

在scale-out网络中，RDMA(RoCE)发挥着关键作用。尽管它提供了类似内存的访问模式，但在处理大量小容量内存读写时，如张量并行中的数据操作，效率相对较低。因此，我更倾向于不将其归为内存语义网络或Load-Store语义网络。

    通过上面两个网络的划分，实现了性能和成本的最优化。

四、时延是这个两个网络的本质区别

"现在，我们来探讨这两个网络的本质差异。在大模型训练中，它们都负责GPU间的数据传输，但存在不可忽视的区别。"

1、动态时延和静态时延

网络时延是指数据从发送端到接收端所需的时间。根据您的描述，网络时延可以分为静态时延和动态时延两部分。静态时延包括基本的互联、转发和交换时延，这些是网络硬件和设计的固有特性，通常与网络的物理布局和设备性能有关。动态时延与网络的带宽、吞吐量和利用率等相关，受网络当前负载和流量管理策略的影响，因此会随时间和网络状态变化。例如通过UEC对以太网进行优化，主要就是降低了网络的动态时延。

2、scale-up需要纳秒级的时延

"Scale-up网络，也被称为总线域网络，是一种极致性能的网络结构。在这个领域中，GPU能将其他GPU的存储视为本地存储区，实现直接读写。因此，时延控制变得极其重要。如果GPU主频超过1GHz且时钟周期小于1纳秒，例如在内存访问中，本地内存访问的典型时延通常低于100纳秒。为了匹配这种速度，我们在通过网络进行内存访问时，需要将时延控制在1微秒以下。"

为满足特定业务需求，网络设计需紧密耦合于业务，摒弃传统网络的传输层和网络层。信用机制(Credit)和链路层的重传机制确保可靠性，而非数据包式重传。

    当前，基于PAM4调制和基于ADC和DSP架构的112Gbps和224Gbps SerDes电互联技术对低时延的scale-up网络都可视是一个负担。DSP架构的112Gbps的SerDes的静态时延约为20纳秒，由于算法复杂度的提升，224Gbps SerDes技术的静态时延可能会更高。当前接口采用的标准RS(544, 514) FEC，在100Gbps吞吐时引入的时延大约为100纳秒，因此如果还是使用PAM4的方案的话，信道编码方面也需要引入全新的FEC方案。

3、scale-out网络的时延可达到ms级

在scale-out网络中，传统网络通常采用分层架构，例如OSI模型，具有清晰定义的传输层和网络层，以支持更加灵活的通讯和数据传输方式。这种分层架构也带来了时延不可控的代价。

为了解决这个问题，一些新的网络架构被提出来，例如SDN(软件定义网络)和NFV(网络功能虚拟化)。这些架构可以提供更高的灵活性和可编程性，从而减少时延并提高性能。

传统数据中心网络的业务受限于带宽，直接影响用户体验。如图像、音频质量，视频清晰度，文件下载速度等皆与带宽息息相关。更高的带宽意味着更大的业务承载量和更优的用户体验。为确保用户感受系统的即时响应，端到端网络时延需控制在1至10毫秒内，整体时延不超过100毫秒。这是基于人感知能力设定的上限，超出此范围可能导致用户感觉系统反应迟缓或不响应。

面向AI/HPC的计算网络与传统数据中心网络在业务特征上具有相似性，如单业务流带宽远低于接口或管道带宽；流级负载均衡提高网络利用率并避免乱序；异步和准同步通信方式适应业务流间关联性较弱；聚合后的流量可能在长周期内呈现规律性；对低时延要求不高；端侧传输层确保可靠性。

考虑到成本和技术亲和性，scale-out网络采用传统网络的产业链元素，如交换机和光模块。在此基础上进行性能升级，如UEC和GSE等，以降低网络动态时延。尽管如此，基于传统网络设计的静态时延仍需关注。

为了实现超大规模集群和提升技术能力，scale-out网络通过多级交换机组成的网络连接。这使得整个网络的时延降至毫秒级，提高了性能。

Scale-up网络和scale-out网络的本质区别在于，scale-up网络是直接提升机器的配置规格，是最直接的扩展手段，计算和存储均可通过 Scale-up 的方式来进行扩展，但扩展空间有限，相对成本较高。而scale-out网络则是通过增加更多的服务器来扩展系统，这样可以更好地利用资源，提高系统的可扩展性和灵活性 。

     五、scale-out和scale-up，是否可以合成一张网呢？

Scale-out网络与Scale-up网络分别代表了数据中心网络的两种不同发展路径，它们在设计理念和应用目标上有着显著差异。Scale-out网络沿袭了传统的数据中心架构，而Scale-up网络则着重于通过提升单一设备的性能来增强整个系统的能力。

传统网络技术侧重于连接地理分散的节点，实现远程通讯和信息交换，满足长距离传输、异构设备互联及多样化业务的需求。而scale-up网络则专注于在较小的物理范围内集成更多资源至单个节点，从而提高系统整体性能并紧密耦合于业务。

为了满足人工智能(AI)和通用人工智能(AGI)时代智算网络的需求，仅依靠传统数据中心网络的load-store能力或从传统load-store技术中提升网络性能已不再足够。这是因为传统数据中心网络技术的演进无法实现scale-up网络所需的低时延和高可靠性，同时还可能带来不必要的兼容性负担。另一方面，基于load-store技术的扩展也无法满足网络规模的快速增长需求。这种局限性的根本原因在于两者的发展目标和出发点存在本质差异。

在业务层面，scale-up/NVLink网络以load-store语义为基础，而scale-out/InfiniBand则采用消息语义。有趣的是，224G代际的NVSwitch和InfiniBand交换机规格相近，但这两种网络在未来将保持独立发展，不会融合。

 

-对此，您有什么看法见解？-

-欢迎在评论区留言探讨和分享。-