近日，工信部印發《促進新一代人工智能產業發展三年行動計劃（2018-2020年）》，意在加快人工智能從戰略到落地，推動人工智能和實體經濟深度融合。在新工業革命的背景下，大數據、計算力、算法等快速迭代，正驅動人工智能進入新階段。2017年Q3，美國站群服務器
亞洲服務器，全球AI公司融資金額突破77億美元，是2012年的70余倍。可能會有人說這是“泡沫”，而我更愿意相信這是人工智能發展的必然結果。
在AI技術的應用過程中，各個企業都在尋找能夠更好支撐高性能計算的基礎網絡解決方案。在《數據中心基礎網絡架構最佳實踐及未來發展趨勢》這篇文章中，我分享了如何設計一個穩定可靠的數據中心網絡，下面我們再來探討支撐AI應用的高性能無損網絡應該如何設計。
前面提到大數據、計算力、算法等快速迭代，正驅動人工智能進入新階段，而這些技術的實現對網絡的低時延、無丟包、高性能這三個方面提出更高要求。
高性能和無丟包比較好理解，就是指網絡帶寬性能的提升以及網絡中不存在擁塞導致的丟包。產生時延的環節較多，要實現端到端的低時延，需要多角度分析：
其中，光電傳輸時延和數據串行時延相對較小，且很難通過架構設計來優化，我們應重點關注主機處理時延和設備轉發時延。在各大企業積極尋求的高性能計
算方案中，基于以太網的RDMA（Remote Direct Memory Access）憑借其高性能和低成本優勢逐漸取代InfiniBand而成為主流技術。RoCEv2（RDMA over
Converged Ethernet）技術基于UDP協議，對于建設支撐AI應用的高性能無損以太網絡變得尤為重要。
結合設備轉發層面的時延優化手段，高性能無損網絡的實現取決于兩個要素：
無帶寬收斂（1:1）的網絡架構設計
基于PFC（Priority-Based Flow Control）和ECN（explicit congestion notification）功能的優先隊列管理和擁塞管理
綜上，AI集群高性能計算和網絡方案實踐思路如下圖所示：
▲ AI集群高性能方案關鍵技術組合
在這里，我以25G網絡為例，結合業界主流產品形態，分享AI網絡架構設計和實現思路。
主要設計理念：
讓 核心設備全線速高性能轉發，核心之間不互聯，采用Fabric架構，隔離核心故障，最大程度降低核心故障的影響；
讓 三層路由組網，通過ECMP提高冗余度，降低故障風險；
讓 TOR上下行收斂比嚴格實現1:1，通過提高核心設備接口密度擴展單集群服務器規模；
讓 應用PFC+ECN功能，實現低延時無損網絡。
網絡架構設計：
1.中小型（集群規模1000臺）
▲ 架構設計
架構特性：
每臺TOR采用8*100GE上聯8臺32口100G BOX交換機，OSPF/BGP組網
適用集群規模1000臺
每臺TOR下聯32臺Servers，IDC內收斂比1:1 ，集群帶寬25Tbps
2.中型（集群規模2000臺）
▲ 架構設計
架構特性：
每臺TOR采用8*100GE上聯8臺64口100G BOX，OSPF/BGP組網
適用集群規模2000臺
每臺TOR下聯32臺Servers，IDC內收斂比1:1 ，集群帶寬50Tbps
3.大型（集群規模2000-18000臺）
▲ 架構設計
架構特性：
每臺TOR采用8*100GE上聯4~8臺核心（機框式），BGP組網
適用集群規模2000~18000臺
每臺TOR下聯32臺Servers，IDC內收斂比1:1 ，集群帶寬50~450Tbps
4.超大型（集群規模20000+臺）
▲ 架構設計
架構特性：
單POD集群規模1000~2000臺，數據中心集群規模20000+，BGP組網
POD內收斂比1:1，單POD集群帶寬25Tbps，總集群帶寬500Tbps+
POD內收斂比和上行帶寬根據集群帶寬需求靈活配置，適用與非AI應用混合部署
