人工智能（AI），特別是大規模模型訓練和推理，正以前所未有的方式重塑數據中心網絡。傳統的“盡力而為”網絡架構，在處理海量、突發的AI數據洪流時捉襟見肘。AI模型對網絡性能的嚴苛要求——高帶寬、低延遲、零丟包——迫使網絡必須進行一場深刻的智能進化，從被動的基礎設施轉變為理解業務、感知狀態、智能決策的“AI感知網絡”。

AI業務訴求：對傳統網絡架構的挑戰

AI集群（如GPU/TPU服務器）間的通信呈現出典型的“大象流”特征，流量總量巨大、并發連接少、單條流帶寬極高（可達數百Gbps）。這與傳統數據中心中“數量多、帶寬小”的“老鼠流”模式截然不同。傳統均衡技術失效，逐流ECMP依賴Hash算法在少量大流上極易導致嚴重負載不均，特定路徑擁塞而其他路徑閑置。Flowlet 對路徑時延差異敏感，配置參數（如Gap值）難以適應動態變化的網絡環境，全局信息缺失導致效果打折。逐包ECMP亂序問題嚴重，嚴重影響GPU計算效率。AI訓練任務（如AllReduce）具有全局同步特性。任何一條關鍵路徑上的擁塞、丟包或高延遲，都會導致整個計算集群“空等”，顯著拖慢任務完成時間（Job Completion Time, JCT），直接影響業務效率和資源成本。

RoCE交換機（SONiC-Based）選用的動態智能選路創新方案結合了逐流 ECMP 均衡和基于子流 flowlet 均衡提出動態WCMP（Weighted Cost Multipath）和基于flowlet 的 ALB（Auto Load Balancing），下面將介紹具體相關技術。

網絡智能進化：為AI而生的核心技術

網絡態勢實時感知：高精度測量的基石

• ASIC硬件級統計（百毫秒級）：? 直接讀取交換機芯片寄存器，獲取端口/隊列的帶寬利用率、緩存占用等關鍵指標，通過SONiC控制面以亞秒級精度匯聚分析。

• 帶內網絡遙測INT（納秒級）：? 采用HDC（高延遲捕獲）技術。當數據包在交換機內部經歷超過設定閾值的延遲時，該數據包的前150字節及關鍵元數據（入口/出口端口、精確時延）會被復制并發送給分析器（如交換機CPU）。這提供了前所未有的微突發流量和隊列擁塞的洞察能力。

動態智能選路技術在星融元交換機上開啟 HDC 功能，并將 CPU 作為 HDC 的收集分析器，通過分析 HDC 報文實現高精度測量交換機轉發時延，并將時延信息作為路徑質量評價因子，提高路徑質量評價精度。

命令行配置 HDC 功能控制INT進程運行，之后通過 socket 連接進行收包循環，將收取到的報文進行解析并將關鍵信息（出入端口、轉發時延等）寫入數據庫。

全局路徑智能評估與同步

感知到的數據需要轉化為對整網路徑質量的統一認知。

• BGP擴展社區屬性傳遞路徑質量：? 創新性地擴展BGP協議（數據中心廣泛部署的底層路由協議），定義新的Path Bandwidth Extended Community屬性。該屬性攜帶一個綜合評估路徑質量的浮點數值（單位GB/s），通過BGP Update報文在整網擴散。

路徑質量同步算法邏輯如下圖所示：

動態智能選路技術將兩層 Leaf-Spine 組網中的交換機端口分為了三類：Leaf 上行口、Leaf 下行口和 Spine口，每種類型端口賦予不同的計算系數，且每種端口的計算系數可配。

• 異常路徑主動剔除：? 設定質量閾值。綜合質量過低的路徑（如擁塞嚴重、時延過高）被判定為“異常路徑”并暫時剔除，避免其拖累整體性能，待其恢復后重新引入。

智能負載決策與執行：動態WCMP + Flowlet ALB

基于實時感知的全局路徑視圖，執行層實現精細化流量調度：

動態WCMP（加權多路徑）：?

• 核心思想：? 不再是ECMP的“平均主義”，而是根據每條路徑的實時綜合質量動態計算權重（如質量比38:80對應權重比3:7）。
• 效果：? 將流量按比例引導到當前最優的路徑上，最大化利用可用帶寬，避免擁塞熱點。權重隨網絡狀態變化而動態調整。

基于Flowlet的自動負載均衡（ALB）：?

• 作為ECMP的智能增強器：? 在ECMP選定的下一跳組內，ASIC芯片實時監測組內各出端口的瞬時負載和隊列時延。
• 微秒級智能調度：? 當一個Flowlet（具有自然間隙的數據包子流）到達時，ALB將其動態分配到組內當前負載最輕或時延最低的物理端口上。高負載/高時延端口會被臨時跳過。
• 故障自愈：? 支持端口級Fail-over，鏈路故障時自動觸發流量重分布。

多租戶支持：網絡虛擬化（VRF）

AI云平臺需要支持多租戶隔離。

• VRF隔離：? 為不同用戶/租戶分配獨立VRF路由表。
• 基于源IP的流量分類：? 利用ASIC的PRE-ACL能力，根據GPU網段源IP自動將流量劃入對應的租戶VRF進行查表轉發，確保租戶間嚴格隔離。

智能網絡賦能AI業務場景

化解流量洪峰：動態WCMP的威力

• 場景：? 256 x 400G GPU集群，1:1收斂比Leaf-Spine架構。Server1 GPU1 -> Server17 GPU1的大象流。
• 傳統ECMP困境：? Hash沖突可能導致所有大象流涌向同一Spine，造成Leaf1上行口擁塞丟包，拖慢整個訓練任務

動態智能選路方案：?

1. Server17 GPU1的BGP路由攜帶Leaf17->GPU1質量宣告。
2. Spine疊加自身->Leaf17質量后宣告給Leaf1。
3. Leaf1疊加自身->Spine質量，匯總所有到GPU1路徑的質量。
4. Leaf1剔除劣質路徑，基于剩余路徑質量動態計算WCMP權重（如3:7）。
5. 流量按最優比例分發到多條Spine路徑，避免單點擁塞，保障大象流順暢。

業務價值：? 防止關鍵路徑擁塞，穩定JCT，提升GPU集群整體利用率。

Flowlet ALB優化ECMP

• 場景：? 在Leaf1到Spine的ECMP組內，某條鏈路突發微擁塞導致時延升高。

Flowlet ALB作用?

1. ASIC實時檢測到該出端口負載/時延超標。
2. 后續到達的Flowlet被自動引導至組內其他負載正常/時延低的端口。
3. 擁塞端口被暫時“規避”，待其負載/時延恢復正常后，Flowlet將再次被分配至此端口。

業務價值：? 消除微突發導致的局部擁塞和抖動，優化端到端時延，提升GPU計算效率。

AI時代的網絡，已不再是簡單的連通管道。星融元CX-N系列RoCE交換機所代表的動態感知 + 智能決策（動態WCMP） + 精準執行（Flowlet ALB） 架構，標志著網絡向“AI感知網絡”的深刻進化。這種進化以保障AI業務性能為核心目標，通過實時感知網絡狀態、智能評估路徑質量、動態調整流量分布，有效化解了傳統網絡在AI負載下的性能瓶頸，為大規模AI訓練和推理提供了穩定、高效、無損的網絡基石，釋放AI的真正潛力。