阿里云網絡基礎設施團隊近日發布了一份技術白皮書，深入探討了超高性能網絡（UPN512）的技術架構。該架構旨在應對人工智能（AI）基礎設施網絡發展過程中，xPU擴展網絡面臨的諸多挑戰，為構建兼具大規模、高性能、高可靠、低成本及可擴展性的xPU擴展系統提供切實可行的解決方案。
白皮書指出，隨著AI領域大模型訓練與推理對計算和內存需求的急劇增長，AI集群必須通過高性能網絡實現擴展。當前，MoE架構、訓推一體化以及xPU規模的持續擴大等趨勢，對網絡性能提出了全新且更高的要求。在現有的xPU擴展系統中，銅互連技術因成本低廉且穩定而被廣泛應用，然而其傳輸距離有限，在高密度機架設計方面存在復雜度高、可靠性差以及擴展性受限等問題。相比之下，光互連技術成為實現更大規模網絡擴展的必然選擇，但也面臨著成本高、可靠性不足以及高帶寬通信下計算開銷大的挑戰。
針對上述問題，白皮書詳細介紹了阿里云UPN512架構的整體概況。UPN512繼承了高性能網絡（HPN）的擴展網絡設計原則，以“大規模、高性能、高可靠、低成本、可擴展”為核心目標，采用了高基數以太網、LPO/NPO光互連以及單層交換設計。與HPN相比，UPN512在GPU帶寬、互連協議和互連規模上存在顯著差異，并且能夠與HPN共同組成高性能系統。
在系統設計及關鍵組件方面，白皮書進行了深入闡述。系統架構上，通過對比AI機架緊密耦合銅互連的優缺點，重點介紹了UPN512的單層光解耦系統。該系統采用全光互連技術，突破了距離限制，支持1K規模域，解耦設計有效降低了系統復雜度，提升了可靠性與靈活性。在光互連方面，分析了可插拔光模塊、高密度帶寬光互連方案，并對比了LPO與NPO的適用場景、成本及穩定性，指出二者互為補充，可根據實際需求選擇。通信語義上，UPN512基于ETH+協議定義了三種低延遲通信語義，以滿足不同數據傳輸需求。在網絡內計算方面，通過在網絡設備內執行計算，加速集體通信，優化了對稱與非對稱集體通信流程，從而提升了數據傳輸效率，降低了計算資源消耗。
這份白皮書為AI基礎設施中xPU擴展系統的發展指明了清晰的技術架構方向，提供了具有實踐價值的參考，對于推動高性能網絡技術在AI領域的廣泛應用具有重要意義。
