ITBear旗下自媒体矩阵:

中科曙光分享万卡级智算集群高速网络实践

   时间:2026-11-17 18:40:34 来源:互联网编辑:快讯 IP:北京 发表评论无障碍通道
 

训练大模型时,计算任务会被分散到大量设备上,设备之间还要持续交换数据。通信速度一旦落后于计算节奏,部分设备只能等待,整个训练周期也会被拉长。随着集群规模跨入万卡级,减少互连环节的停顿,成为智算基础设施建设必须处理的难题。

11月15日,第八届中国超级算力大会(ChinaSC 2026)暨中国智能计算产业联盟理事会年会在北京召开。中科曙光高速网络互联产品部总工程师万伟围绕超大规模智算集群的高速网络架构和工程实践进行分享,并提出高速互连是算力基础设施扩大规模的关键条件。

这一判断对应集群建设的实际环节:计算设备增加后,网络也要同步提升连接、传输和管理能力,新增算力才能进入实际任务。大会发布的《万卡级智算集群网络技术发展与国产化研究报告》聚焦万卡级智算集群网络,指出网络互联、存储吞吐和资源调度之间的协同效率越来越重要。建设者不仅要采购设备,还要设计设备之间的配合方式,网络路径和交换设备连接能力都会影响集群扩展架构。

中科曙光将超节点内部互连和超节点之间的组网放在一起考虑。超节点由一组连接紧密的计算单元构成,内部以低时延连接应对频繁数据交换;多个超节点再通过高速网络形成更大范围协作。局部通信和整体扩展分别采用相应设计,同时还要兼顾供电、散热、布线和维护等工程条件。

这种架构依赖网络芯片提供连接和交换能力。交换芯片的端口数量决定一台设备可连接多少设备,数据处理能力则影响大量通信同时出现时能否及时转发。中科曙光自研的scaleFabric高速网络把网卡芯片、交换芯片和组网架构结合起来,采用多平面组网,在单一子网内实现大规模互连,并依据任务特点和网络连接关系优化通信。

设备连通后,数据能否及时完整送达成为下一项考验。大模型训练中,部分计算步骤要等相关节点数据到齐后才能继续。传输拥塞或数据丢失后的重传都会增加等待,反复交换数据时,这些开销会累加,影响计算资源利用效率。scaleFabric采用无损传输机制,通过流量控制与链路层重传保障可靠性,流量控制协调发送和接收,链路层重传处理链路错误,再配合通信优化,减少因通信异常造成的等待。

通信发起过程本身也有开销。面向大模型训练和推理,scaleFabric借助IBGDA等技术让GPU直接发起网络通信,减少CPU参与通信调度带来的开销,缩短节点间等待。目前,scaleFabric已完成DeepEP通信框架适配,为多节点协作和Token生成效率提升提供支持,使网络优化能够衔接应用软件。

持续运行中的通信效率同样重要,链路故障需要及时处理。scaleFabric支持毫秒级链路切换,路由恢复时间不随集群规模增长而延长。连接规模扩大后,网络仍要快速恢复通信,降低局部故障对并行任务的影响。FabricView高速网络管理平台把配置部署、健康筛查和运行监测结合起来,可在任务上线前筛查异常节点,在任务执行中定位繁忙链路和异常端口,帮助运维人员缩小排查范围。

相关网络设计已在曙光8000中得到工程验证,scaleFabric与曙光8000的工程实践被上述研究报告收录。大会期间,中科曙光获评2026中国算力领军企业,scaleFabric高速网络入选2026中国算力应用典型案例。

 
 
更多>同类资讯
全站最新
热门内容
网站首页  |  关于我们  |  联系方式  |  版权声明  |  争议稿件处理  |  English Version