AI大模型网络如何搭建

2023年，以ChatGPT为代表的AIGC大模型全面崛起，成为了整个社会关注的焦点。   大模型表现出了强悍的自然语言理解能力，刷新了人们对AI的认知，也掀起了新一轮的“算力军备竞赛”。   大家都知道，AIGC大模型的入局门槛是很高的。玩AI的三大必备要素——算力、算法和数据，每一个都意味着巨大的投入。   以算力为例。ChatGPT的技术底座，是基于微调后的GPT3.5大模型，参数量多达1750亿个。为了完成这个大模型的训练，微软专门建设了一个AI超算系统，投入了1万个V100 GPU，总算力消耗约3640 PF-days（即假如每秒计算一千万亿次，需要计算3640天）。   业内头部厂商近期推出的大模型，参数量规模更是达到万亿级别，需要的GPU更多，消耗的算力更大。   这些数量庞大的GPU，一定需要通过算力集群的方式，协同完成计算任务。这就意味着，需要一张超高性能、超强可靠的网络，才能把海量GPU联接起来，形成超级计算集群。     那么，问题来了，这张网络，到底该如何搭建呢？    


 高性能网络的挑战   想要建设一张承载AIGC大模型的网络，需要考虑的因素非常多。   首先，是网络规模。   刚才我们也提到，AI训练都是10000个GPU起步，也有的达到十万级。从架构上，目标网络就必须hold得住这么多的计算节点。而且，在节点增加的同时，集群算力尽量线性提升，不能引入过高的通信开销，损失算力。   其次，是网络带宽。   超高性能的GPU，加上千亿、万亿参数的训练规模，使得计算节点之间的通信量，达到了百GB量级。再加上各种并行模式、加速框架的引入，节点之间的通道带宽需求会更高。   传统数据中心通用的100Gbps带宽接入，根本满足不了这个需求。我们的目标网络，接入带宽必须升级到800Gbps、1.6Tbps，甚至更高。   第三，流量调控。   传统的网络架构，在应对AI大模型训练产生的数据流时，存在缺陷。所以，目标网络需要在架构上做文章，更好地控制数据流路径，让节点和通道的流量更均衡，避免发生拥塞。   第四，协议升级。   网络协议是网络工作的行为准则。它的好坏，直接决定了网络的性能、效率和延迟。   传统数据中心的TCP/IP协议，早已已无法满足高性能网络的大带宽、低时延需求。性能更强的IB（InfiniBand）协议、RDMA协议，已然成为主流。有实力的厂家，还会基于自家硬件设备，自研更高效的协议。   第五，运维简化。   这就不用多说了。超大规模的网络，如果还是采用传统运维，不仅效率跟不上，还会导致更长的故障恢复周期，损失算力，损失资金。   目前，行业里的“大模头”们，都会根据自己技术和资金实力，选择商用网络组网，或者自研网络协议。   大家心里很清楚，想要赢得这场比赛，除了算力芯片足够强之外，网络的性能表现是至关重要的。网络越强，集群的算力提升就越大，完成模型训练的时间就越短，成本也就越低。    


 星脉网络，鹅厂的算力集群杀手锏   对于AI大模型这场热潮，腾讯当然不会缺席。他们推出了业界领先的高性能计算网络架构——星脉。   腾讯深耕互联网行业20多年，从QQ到微信，他们的超大规模业务承载能力，可以说是行业顶尖的。在网络技术的理解和驾驭能力上，也是世界领先水平。而星脉，则是他们多年技术研究的精髓，是真正的杀手锏。   根据实测，星脉实现了AI大模型通信性能的10倍提升、GPU利用率提升40%、通信时延降低40%。   基于全自研的网络硬件平台，星脉可以实现网络建设成本降低30%，模型训练成本节省30%~60%。   星脉网络的算力效率，远高于业界主流值   接下来，我们不妨深入解读一下，星脉到底采用了哪些黑科技。在前面所提到的几项挑战上，腾讯团队又是如何应对的。  

网络规模

  在组网架构上，星脉网络采用无阻塞胖树（Fat-Tree）拓扑，分为Block-Pod-Cluster三级。   星脉网络的架构   Block是最小单元，包括256个GPU。   Pod是典型集群规模，包括16~64个Block，也就是4096~16384个GPU。   多个Block可以组成Cluster。1个Cluster最大支持16个Pod，也就是65536~262144个GPU。   26万个GPU，这个规模完全能够满足目前的训练需求。  

网络带宽

  腾讯星脉网络为每个计算节点提供了3.2T的超高通信带宽。   单个服务器（带有8个GPU）就是一个计算节点。每个服务器有8块RoCE网卡。每块网卡的接口速率是400Gbps。   RoCE，是RDMA over Converged Ethernet（基于聚合以太网的RDMA）。RDMA（远程直接GPU通信访问）我们以前介绍过很多次。它允许计算节点之间直接通过内存进行数据传输，无需操作系统内核和CPU的参与，能够大幅减小CPU负荷，降低延迟，提高吞吐量。     大带宽带来的优势是非常显著的。对于AllReduce和All-to-All这两种典型通信模式，在不同集群规模下，1.6Tbps超带宽都会带来10倍以上的通信性能提升（相比100Gbps带宽）。   以AllReduce模式、64 GPU规模为例，采用1.6Tbps超带宽网络，将使得AllReduce的耗时大幅缩短14倍，通信占比从35%减少到3.7%，最终使得单次迭代的训练耗时减少32%。从集群算力的角度来看，相当于用同样的计算资源，系统算力却提升48%。  

流量调控

  为了提升集群的通信效率，星脉网络对通信流量路径进行了优化，引入了“多轨道流量聚合架构”。   该架构将不同服务器上位于相同位置的网卡，都归属于同一个ToR switch（机柜顶部的汇聚交换机）。整个计算网络平面，从物理上被划分为8个独立并行的轨道平面。     在工作时，GPU之间的数据，可以用多个轨道并行传输加速。并且，大部分流量，都聚合在轨道平面内传输（只经过一级 ToR switch）。只有小部分流量，会跨轨道平面传输（需要经过二级 switch）。这大幅减轻了网络压力。   星脉网络还采用了“异构网络自适应通信技术”。   在集群中，GPU之间的通信包括机间网络（网卡+交换机）与机内网络（ NVLink/NVSwitch 网络、PCIe 总线网络）。   星脉网络将机间、机内两种网络同时利用起来，实现了异构网络之间的联合通信优化。   例如，在All-to-All通信模式时，每个GPU都会和其它服务器的不同GPU通信。     基于异构网络自适应通信技术，不同服务器上相同位置的GPU，在同一轨道平面，仍然走机间网络通信。   但是，要去往不同位置的GPU（比如host1上的GPU1，需要向其它host上的GPU8 送数据），则先通过机内网络，转发到host1上的GPU8上，然后通过机间网络，来完成通信。   这样一来，机间网络的流量，大部分都聚合在轨道内传输（只经过一级 ToR switch）。机间网络的流量大幅减少，冲击概率也明显下降，从而提供了整网性能。   根据实测，异构网络通信在大规模All-to-All场景下，对中小数据包的传输性能提升在30%左右。  

协议升级

  星脉网络采用的“自研端网协同协议TiTa”，可以提供更高的网络通信性能，非常适合大规模参数模型训练。   TiTa协议内嵌拥塞控制算法，可以实时监控网络状态并进行通信优化。它就好比是一个智能交通管理系统，可以让网络上的数据传输更加通畅。   TiTa协议的处理方式   面对定制设计的高性能组网架构，业界开源的GPU集合通信库（例如NCCL）并不能将网络的通信性能发挥到极致。为此，腾讯推出了“高性能集合通信库TCCL（Tencent Collective Communication Library）”。   TCCL就像一个智能导航系统。它在网卡设备管理、全局网络路由、拓扑感知亲和性调度、网络故障自动告警等方面进行了深度定制，对网络了如指掌，让流量路径更加合理。   例如，从GPU A到GPU B，原来需要经过9个路口。有了TCCL导航之后，只需要走4个路口，提升了效率。   根据实测，在AllReduce/AllGather/ReduceScatter等常用通信模式下，TCCL能给星脉网络带来40%左右的通信性能提升。  

部署和运维简化

  算力集群网络越庞大，它的部署和维护难度也就越大。   为了提升星脉网络的可靠性，腾讯自研了一套全栈网络运营系统，实现了“端网部署一体化”、“一键故障定位”、“业务无感秒级网络自愈”，对网络进行全方位保驾护航。   先看看“端网部署一体化”。   部署一直都是高性能网络的痛点。在星脉网络之前，根据统计，90%的高性能网络故障问题，是因为配置错误导致。原因很简单，网卡的配置套餐太多（取决于架构版本、业务类型和网卡类型），人为操作很难保证不出错。   腾讯的解决方法，是将配置过程自动化。   他们通过API的方式，实现单台/多台交换机的并行部署能力。   在正式部署前，系统会自动对基础网络环境进行校验，看看上级交换机的配置是否合理等。   然后，识别外部因素，自动选择配置模板。   配置完成后，为了保证交付质量，运营平台还会进行自动化验收，包括一系列的性能和可靠性测试。     所有工作完成后，系统才会进入交付状态。   根据数据统计，基于端网一体部署能力，大模型训练系统的整体部署时间从19天缩减到4.5天，并保证了基础配置100%准确。   再看看运维阶段的“一键故障定位”。   星脉网络具有端网高度协同的特点，增加了端侧的运营能力。运营平台通过数据采集模块，获取端侧服务器和网络侧交换机的数据，联动网管拓扑信息，可以做到快速诊断与自动化检查。   一键故障定位，可以快速定界问题方向，精准推送到对应团队的运营人员（网络or业务），减少沟通成本，划分责任界限。而且，它还有利于快速定位问题根因，并给出解决方案。   最后，是“业务无感秒级网络自愈”。   在网络运行的过程中，故障是无法避免的。   为了将故障自愈时间缩短到极致，腾讯推出了秒级故障自愈产品——“HASH DODGING”。   这是一种基于Hash偏移算法的网络相对路径控制方法。即，终端仅需修改数据包头特定字段（如IP头TOS字段）的值，即可使得修改后的包传输路径与修改前路径无公共节点。   在网络数据平面发生故障（如静默丢包、路由黑洞）时，该方案可以帮助TCP快速绕过故障点，不会产生对标准拓扑及特定源端口号的依赖。   单路径传输协议下，使用本方案，实现确定性换路     █ 结语   以上，就是对腾讯星脉高性能计算网络的关键技术分析。   这些关键技术，揭示了高性能网络的发展思路和演进方向。随着AI大模型的深入发展，人类对AI算力的需求会不断增加。   日前，腾讯云发布的新一代HCC高性能计算集群，正是基于星脉高性能网络打造，算力性能较前代提升3倍，为AI大模型训练构筑可靠的高性能网络底座。   未来已来，这场围绕算力和连接力的角逐已经开始。更多的精彩还在后面，让我们拭目以待吧！