NVIDIA Spectrum以太網(wǎng)平臺(tái)的自適應(yīng)路由技術(shù)

NVIDIA 加速 AI 平臺(tái)和產(chǎn)品（如 NVIDIA EGX 、 DGX 、 OVX 和 NVIDIA AI for Enterprise）需要數(shù)據(jù)中心網(wǎng)絡(luò)提供最佳的性能。NVIDIA Spectrum 以太網(wǎng)平臺(tái)通過(guò)芯片級(jí)創(chuàng)新實(shí)現(xiàn)了這一性能。

融合以太網(wǎng) RDMA（RoCE）自適應(yīng)路由技術(shù)通過(guò)減少網(wǎng)絡(luò)擁塞問(wèn)題加快了應(yīng)用程序的速度。這篇文章介紹了 NVIDIA Spectrum 以太網(wǎng)平臺(tái)的自適應(yīng)路由技術(shù)，并提供了一些初步的性能基準(zhǔn)。

是什么讓網(wǎng)絡(luò)變慢了？

您不必是云服務(wù)提供商就可以從橫向擴(kuò)展網(wǎng)絡(luò)中獲益。網(wǎng)絡(luò)行業(yè)已經(jīng)發(fā)現(xiàn)，具有第 2 層轉(zhuǎn)發(fā)和生成樹(shù)的傳統(tǒng)網(wǎng)絡(luò)架構(gòu)效率低下，而且難以擴(kuò)展。他們過(guò)渡到 IP 網(wǎng)絡(luò)結(jié)構(gòu)。

這是一個(gè)很好的開(kāi)始，但在某些情況下，它可能不足以解決數(shù)據(jù)中心中引入的新型應(yīng)用程序和大量的流量。

可擴(kuò)展 IP 網(wǎng)絡(luò)的一個(gè)關(guān)鍵屬性是它們能夠跨多個(gè)交換機(jī)層次結(jié)構(gòu)分發(fā)大量的流和流量。

在一個(gè)完美的世界中，數(shù)據(jù)流是完全不相關(guān)的，因此在多個(gè)網(wǎng)絡(luò)鏈路上分布均勻、負(fù)載平衡平穩(wěn)。該方法依賴(lài)于現(xiàn)代哈希和多路徑算法，包括等價(jià)多路徑（ECMP）。運(yùn)營(yíng)商受益于在規(guī)模迥異的數(shù)據(jù)中心中廣泛部署的高端口數(shù)、固定規(guī)格的交換機(jī)。

然而，在許多情況下，這是行不通的，通常包括無(wú)處不在的現(xiàn)代工作負(fù)載，如 AI 、云和存儲(chǔ)。

這是一個(gè)有限熵的問(wèn)題。熵是一種衡量流經(jīng)給定網(wǎng)絡(luò)的流量的豐富性和多樣性的方法。

當(dāng)您有數(shù)千個(gè)從全球各地的客戶(hù)端隨機(jī)連接的流時(shí)，您的網(wǎng)絡(luò)被稱(chēng)為有 high entropy 。然而，當(dāng)您只有少數(shù)大型流時(shí)（這在 AI 和存儲(chǔ)工作負(fù)載中經(jīng)常發(fā)生），大型流會(huì)控制帶寬，因此會(huì)出現(xiàn) low entropy 。這種低熵流量模式也稱(chēng)為“大象流”分布，在許多數(shù)據(jù)中心工作負(fù)載中都很明顯。

那么為什么熵很重要呢？

使用靜態(tài) ECMP 的傳統(tǒng)技術(shù)，您需要高熵來(lái)將流量均勻地分布在多個(gè)鏈路上，而不會(huì)出現(xiàn)擁塞。然而，在“大象流”場(chǎng)景中，多個(gè)流可能出現(xiàn)在同一條鏈路上，從而創(chuàng)建一個(gè)超過(guò)線路帶寬的流量熱點(diǎn)或微突發(fā)。這會(huì)導(dǎo)致?lián)砣?、延遲增加、數(shù)據(jù)包丟失和重傳。

對(duì)于許多應(yīng)用程序，性能不僅取決于網(wǎng)絡(luò)的平均帶寬，還取決于流完成時(shí)間的分布。完成時(shí)間分布中的長(zhǎng)尾或異常值可能會(huì)顯著降低應(yīng)用程序性能。圖 2 顯示了低熵對(duì)流完成時(shí)間的影響。

此示例由單個(gè)架頂交換機(jī)組成，具有 128 個(gè) 100G 端口。

64 個(gè)端口是連接到服務(wù)器的 100G 下游端口。

64 個(gè)端口是連接到第 1 層交換機(jī)的 100G 上游端口。

每個(gè)下游端口接收四個(gè)帶寬相等的流：25G 每個(gè)流，總共 256 個(gè)流。

所有流量都通過(guò)靜態(tài)哈希和 ECMP 處理。

在最好的情況下，此配置的可用帶寬不會(huì)被超額使用，因此可能會(huì)出現(xiàn)以下結(jié)果。在最壞的情況下，與理想情況相比，流程可能需要長(zhǎng)達(dá) 2.5 倍的時(shí)間才能完成。

在這種情況下，一些端口擁塞，而其他端口未使用。最后一個(gè)流（最壞情況流）的預(yù)期持續(xù)時(shí)間是預(yù)期第一個(gè)流持續(xù)時(shí)間的 250% 。此外，10% 的流預(yù)計(jì)流完成時(shí)間超過(guò) 150% 。也就是說(shuō)，有一組長(zhǎng)尾流，完成時(shí)間比預(yù)期的要長(zhǎng)。為了高置信度的避免擁塞（98%），必須將所有流的帶寬降低到 50% 以下。

為什么有許多流會(huì)而受到影響而完成時(shí)間過(guò)長(zhǎng)？這是因?yàn)?ECMP 上的一些端口非常擁擠。當(dāng)流完成傳輸并釋放一些端口帶寬時(shí)，滯后流通過(guò)相同的擁塞端口，導(dǎo)致更多擁塞。這是因?yàn)樵趯?duì)標(biāo)頭進(jìn)行哈希處理后，路由是靜態(tài)的。

自適應(yīng)路由

NVIDIA 正在為Spectrum交換機(jī)引入自適應(yīng)路由。通過(guò)自適應(yīng)路由，轉(zhuǎn)發(fā)到 ECMP 組的流量選擇擁塞程度最低的端口進(jìn)行傳輸。擁塞程度基于出口隊(duì)列負(fù)載進(jìn)行評(píng)估，確保 ECMP 組在不考慮熵級(jí)別的情況下保持良好平衡。向多個(gè)服務(wù)器發(fā)出多個(gè)請(qǐng)求的應(yīng)用程序以最小的時(shí)間變化接收數(shù)據(jù)。

這是如何實(shí)現(xiàn)的？對(duì)于轉(zhuǎn)發(fā)到 ECMP 組的每個(gè)數(shù)據(jù)包，交換機(jī)在其出口隊(duì)列上選擇負(fù)載最小的端口。評(píng)估的隊(duì)列是那些與數(shù)據(jù)包服務(wù)質(zhì)量匹配的隊(duì)列。

相比之下，傳統(tǒng)的 ECMP 基于哈希方法進(jìn)行端口決策，這通常無(wú)法產(chǎn)生清晰的比較。當(dāng)相同流的不同數(shù)據(jù)包通過(guò)網(wǎng)絡(luò)的不同路徑傳輸時(shí)，它們可能會(huì)在到達(dá)目的地時(shí)出現(xiàn)亂序的情況。在 RoCE 傳輸層，NVIDIA ConnectX NIC 負(fù)責(zé)處理無(wú)序數(shù)據(jù)包，并將數(shù)據(jù)按順序轉(zhuǎn)發(fā)給應(yīng)用程序。這使得自適應(yīng)路由對(duì)從中受益的應(yīng)用程序透明。

在發(fā)送方面，ConnectX 可以動(dòng)態(tài)標(biāo)記符合網(wǎng)絡(luò)重新排序的條件的流量，從而確保在需要時(shí)可以強(qiáng)制執(zhí)行消息間排序。交換機(jī)自適應(yīng)路由分類(lèi)器只能對(duì)這些標(biāo)記的 RoCE 流量進(jìn)行分類(lèi)，使其使用這種獨(dú)特的轉(zhuǎn)發(fā)方式。

Spectrum 自適應(yīng)路由技術(shù)支持各種網(wǎng)絡(luò)拓?fù)?。?duì)于 CLOS（或葉/脊椎）等典型拓?fù)?，到給定目標(biāo)的各種路徑的距離是相同的。因此，交換機(jī)通過(guò)擁塞最小的端口傳輸數(shù)據(jù)包。在路徑之間距離不同的其他拓?fù)渲?，交換機(jī)傾向于通過(guò)最短路徑發(fā)送流量。如果擁塞發(fā)生在最短路徑上，則選擇擁塞最小的備選路徑。這確保了網(wǎng)絡(luò)帶寬得到有效利用。

工作負(fù)載測(cè)試結(jié)果

存儲(chǔ)

為了驗(yàn)證 RoCE 中自適應(yīng)路由的效果，我們從測(cè)試簡(jiǎn)單的 RDMA 寫(xiě)測(cè)試應(yīng)用程序開(kāi)始。在這些在多個(gè) 50 Gb/s 主機(jī)上運(yùn)行的測(cè)試中，我們將主機(jī)分成幾對(duì)，每對(duì)主機(jī)在很長(zhǎng)一段時(shí)間內(nèi)互相發(fā)送大型 RDMA 寫(xiě)流。這種類(lèi)型的流量模式是存儲(chǔ)應(yīng)用程序工作負(fù)載中的典型模式。

圖 4 顯示了基于哈希的靜態(tài)路由在上行鏈路端口上發(fā)生沖突，導(dǎo)致流完成時(shí)間增加，帶寬減少，流之間的公平性降低。在轉(zhuǎn)移到自適應(yīng)路由后，所有問(wèn)題都得到了解決。

在第一個(gè)圖中，所有流幾乎同時(shí)完成，峰值帶寬相當(dāng)。

在第二個(gè)圖中，一些流實(shí)現(xiàn)了相同的帶寬和完成時(shí)間，而其他流發(fā)生沖突，導(dǎo)致完成時(shí)間更長(zhǎng)，帶寬更低。實(shí)際上，在 ECMP 的情況下，一些流在 13 秒的理想完成時(shí)間 T 內(nèi)完成，而性能最差的流需要 31 秒，約為 T 的 2.5 倍。

人工智能/高性能計(jì)算

為了繼續(xù)評(píng)估 RoCE 工作負(fù)載中的自適應(yīng)路由，我們?cè)谝粋€(gè) 32 服務(wù)器測(cè)試臺(tái)上測(cè)試了常見(jiàn) AI 基準(zhǔn)測(cè)試的性能收益，該測(cè)試臺(tái)在兩級(jí)胖樹(shù)網(wǎng)絡(luò)拓?fù)渲惺褂盟膫€(gè) NVIDIA Spectrum 以太網(wǎng)交換機(jī)構(gòu)建。該基準(zhǔn)測(cè)試評(píng)估了分布式 AI 訓(xùn)練和 HPC 工作負(fù)載中常見(jiàn)的集合操作和網(wǎng)絡(luò)流量模型，如 all-to-all 流量和 all-reduce 操作。

總結(jié)

在許多情況下，基于靜態(tài)哈希的轉(zhuǎn)發(fā)會(huì)導(dǎo)致高擁塞和可變的流完成時(shí)間。這會(huì)降低應(yīng)用程序的性能。

NVIDIA Spectrum 自適應(yīng)路由解決了這個(gè)問(wèn)題。這項(xiàng)技術(shù)增加了網(wǎng)絡(luò)使用的帶寬，最大限度地減少了流完成時(shí)間的變化，從而提高了應(yīng)用程序的性能。

將此技術(shù)與 NVIDIA ConnectX 網(wǎng)卡提供的 RoCE 亂序包支持相結(jié)合，應(yīng)用程序?qū)λ褂玫募夹g(shù)是透明的。這確保了 NVIDIA Spectrum 以太網(wǎng)平臺(tái)提供了實(shí)現(xiàn)數(shù)據(jù)中心性能最大化所需的加速以太網(wǎng)能力。

審核編輯：湯梓紅