一、AI需求激增推动建设计算和网络基础设施****～篇幅有限，仅展示了部分
ChatGPT引爆AI ，智算算力需求激增 ，参数量呈指数级迭代增长推动计算与网络基础设施建设不断布局
二、面向大模型训练 ， 网络成为AI算力瓶颈

• AI大模型以GPU集群分布式训练为基础 ， 带来大量节点间通信消耗 ， 网络成为AI算力“瓶颈”
• 当前业界主流智算中心网络技术被国外厂商垄断 ， 网络芯片存在代际差距 ， 网络可能成为我国AI发展的“新卡点”

集群有效算力∝｛GPU单卡算力总卡数线性加速比*有效运行时｝，随着GPU单卡算力进一步受限 ，获得同等算力的难度持续增加 ， 以网强算是支撑为未来大模型训练的关键

三、传统DC与智算中心流量模型区别

五、IB与RoCE是目前业界主流高性能网络协议

Infini Band与RoCE是由IBTA提出的两种主流面向RDMA提供高性能交换能力的传输协议 ， 前者从硬件级别保证网络低时延、 高吞吐，后者是将RDMA应用到以太网 ，依赖PFC等协议实现无损 ， 两者在路由机制、 转发机制、 算网能力等方面存在差异
六、当前RoCE网络存在诸多问题 ， 不适应大AI模型部署

现有以太网协议基础转发和调度机制 ，在AI模型训练场景存在天然缺陷 ， 单纯优化上层网络协议无法解决，需对底层转发和调度机制进行革新 ， 并推动网络芯片底层逻辑架构支持 ，突破无损以太性能瓶颈
七、业界智算中心高性能网络标准组织介绍—UEC

2023年7月19日 ， Linux基金会成立超以太网联盟 (UEC) ，发布UE技术愿景白皮书 ， 当前已成立四个工作组并与OCP开展合作
• 面向大模型和高性能计算场景 ，从物理层到软件层对以太协议栈和配套芯片产业进行革新
• 创始成员： AMD、Arista、博通、思科、 Eviden 、 HPE、 Intel、 Meta和微软 ，强强联合 ，覆盖全产业生态 ，核心是将“产品”标准化

八、GSE技术体系框架

GSE技术体系最大限度兼容以太网生态 ，从四层（物理层、链路层、网络层、传输层） +一体（管理和运维体系）等几个层级进行优化和增强 ，构建无阻塞、高带宽、低时延的新型智算中心网络 ，形成标准开放的技术体系 ，助力AI产业发展

九、GSE技术体系—光交换

新型光交换机与传统交换机的核心区别在于用光口代替电口 ，无需插光模块 ， 可实现端口与速率无关； 内部无交换芯片 ，点到点通信关系一定时间内固定 ，设备容量及端口密度与芯片无关 ， 可用在网络中替代Spine设备 ，提升网络性能及建设扩容灵活性

十、GSE技术体系—新型拓扑

• Group与Group之间full-mash, 每个group内部可以是任意拓扑结构 ，如Fat-tree（ Dragonfly+）
• 人为干预控制流量转发 ，缺乏动态负载分担机制
• 现有网络架构缺乏网络拥塞的标准定义和远程拥塞的通知机制 ，难以及时获取拥塞信息。

十一、GSE技术体系—全调度以太网三大核心机制

中国移动提出全调度以太网（GSE） 技术架构 ，最大限度兼容以太网生态 ，创新基于报文容器（ PKTC） 的转发及调度机制，构建无阻塞、 高带宽、 低时延的新型智算中心网络 ，形成标准开放的技术体系 ，助力AI产业发展
创新以太网转发机制 ， 实现三大核心机制转变
十二、GSE技术体系—NDMA

分布式系统节点间以多对多的集合通信为主 ， 业界主流方案基于RDMA点到点高效传输 ， 实现多对多集合通信 ，存在性能瓶颈
十三、GSE技术体系—网络可靠性

AI大模型训练中所需GPU卡数量达到千卡、万卡级别 ，增加了网络故障概率 ，如何提高网络可靠性是重中之重
• 本地故障检测：本地检测时间大约为几毫秒 ，故障检测时间太长 ，无法满足模型训练需求
• 本地故障切换：在发生链路故障时 ，通过ECMP、 FRR等技术进行快速切换 ，将链路切换为备份链路。链路故障切换时间可在毫秒内实现
• 故障通知： IGP链路状态泛洪和BGP路由更新太慢 ，远端发生故障缺乏统一的故障通知机制
• 全局故障切换：当前只有本地故障的快速切换机制 ，但在响应远程故障时 ，仍缺乏快速切换机制
当前 ，AI大模型训练网络故障后 ，本地故障处理时间为几毫秒 ，远端故障处理时间为几秒 ，故障处理时间过长
十四、总结与展望

• 智算中心网络的有效带宽、 时延抖动、 可靠性成为提升训练效率的关键因素
• 以全调度以太网为核心 ， 开展四层（物理层、 链路层、 网络层、 传输层） +一体（管理和运维体系） 攻关，构建标准开放技术生态和评测体系 ，推动新型智算中心网络技术体系成熟
• 欢迎更多上下游产业伙伴加入GSE推进计划 ，推动GSE技术标准和生态成熟 ，助力AI技术发展