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 "。

(资料图片仅供参考)

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！