在人工智能技術迅猛發展的當下，大模型訓練與推理對計算和內存的需求呈現出爆發式增長。為滿足這一需求，AI集群紛紛借助高性能網絡進行擴展，MoE架構、訓推一體化以及xPU規模擴大等趨勢，也對網絡提出了全新的要求。在此背景下，阿里云網絡基礎設施團隊撰寫了一份白皮書，聚焦超高性能網絡（UPN512）技術架構，旨在為構建大規模、高性能、高可靠、低成本且可擴展的xPU擴展系統提供切實可行的方案。
當前，xPU擴展系統在網絡連接方面面臨著諸多挑戰。多數系統采用銅互連方式，雖然成本較低且穩定性尚可，但傳輸距離有限，在高密度機架設計時，會帶來復雜度、可靠性和擴展性等方面的問題。而光互連雖被視為更大規模擴展網絡的必然選擇，卻面臨著成本高、可靠性存疑的困境，并且在高帶寬通信場景下，計算開銷較大。這些挑戰嚴重制約了xPU擴展系統的發展，成為亟待解決的難題。
阿里云推出的UPN512架構，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”為設計目標。該架構采用了高基數以太網、LPO/NPO光互連以及單層交換設計等先進技術。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，為xPU擴展提供了更強大的網絡支持。
在系統設計方面，UPN512的單層光解耦系統是其一大亮點。與AI機架緊密耦合的銅互連方式相比，單層光解耦系統采用全光互連技術，成功突破了距離限制，能夠支持1K規模域。同時，其解耦設計降低了系統復雜度，提升了可靠性與靈活性，有效解決了銅互連在高密度機架設計中的諸多問題。在光互連方案上，UPN51512對可插拔光模塊、高密度帶寬光互連方案進行了深入分析，對比了LPO與NPO的適用場景、成本及穩定性，指出二者可互補選擇，為不同需求的用戶提供了多樣化的解決方案。
在通信語義方面，UPN512基于ETH + 協議定義了三種低延遲通信語義，分別適用于不同的數據傳輸需求，進一步提升了網絡通信的效率和靈活性。在網絡內計算方面，UPN512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，有效提升了數據傳輸效率，降低了計算資源消耗，為xPU擴展系統的高效運行提供了有力保障。
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，提供了寶貴的實踐參考，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。隨著AI技術的不斷發展，相信UPN512架構將在更多場景中發揮重要作用，助力AI產業邁向新的高度。
