一、背景
之前的文章中我们中我们具体介绍过万卡 GPU 集群中的网络拓扑相关信息以及在万卡 GPU 集群中进行大规模 LLM 训练面对的挑战和相应解决方案，也进一步介绍了阿里云的集合通信调度框架 C4。本文中，我们简单介绍 C4 底层的阿里云新一代智算集群网络架构 HPN 7.0。阿里在最近的智源大会上提到了几个关键词：双上联，双平面，多轨，以及单层千卡，两层万卡。
上面提到的几个介绍可以参考：
万卡 GPU 集群互联：硬件配置和网络设计万卡 GPU 集群实战：探索 LLM 预训练的挑战阿里 C4：通信驱动加速大规模并行训练效率剖析大规模 GPU 集群：针对 LLM 场景的挑战和优化二、拓扑如图所示（星融元LLM大模型承载网解决方案），我们采用常见的三层无阻塞 Fat-Tree 拓扑结构——SuperSpine-Spine-Leaf。这种结构将两层的 Spine-Leaf 视为一个 Pod，而一层的 Leaf 则被视为一个 Group。每个 Pod 包含8个 Group（HB）。
Leaf Switch 配备了128个400 Gbps的端口，总交换带宽高达51.2Tbps。每台设备内置8块H100/H800 GPU，每个GPU都对应一个400 Gbps的网络接口卡。通过全网格连接，一个Group中最多可接入8个Leaf Switch。每个Leaf Switch拥有64个下行400Gbps端口，可连接64台设备。因此，每个Group最多只能容纳512个GPU（计算方式：64*8=512）。
阿里云HPN-7.0的拓扑结构，如"Revolutionizing Data Center Networks: Alibaba’s SONiC Journey"的图片所示。图中揭示了一个有趣的事实：尽管每个Pod仍然包含8个Segment（组），但每个Group现在拥有128个配备8个GPU的节点，而非以往的64个。这种优化无疑提升了整体性能和效率，体现了阿里云在数据中心网络革新方面的持续努力。
Leaf Switch 拥有惊人的64个400Gbps上行端口和128个200Gbps下行端口，其总交换带宽高达51.2Tbps。每台机器配备了16个200Gbps NIC端口，通过全网格连接，可以无缝对接16个Leaf Switch。每个Leaf Switch拥有128个下行200Gbps端口，可连接128台设备。这意味着一个群组能够支持高达1024个GPU（单层千卡）。对于下图的拓扑中：每个Pod拥有8个分组（Segment），即8192个GPU（两层万卡）。这为高性能计算带来了巨大的潜力。
从上述的拓扑图可清晰看出，一个 Group 内的 GPU 间的通信只需经过一次传递（仅需通过 1 个 Leaf Switch）。相较于传统架构，HPN-7.0 在 1 个 Group 内实现了最多 1024 GPU 互联，总通信带宽提升至 1024*2*200Gbps=409.6Tbps，相较之前的传统架构（512 GPU 互联，204.8Tbps）实现了翻倍增长。这意味着，HPN-7.0 不仅提高了互联能力，还为大规模 GPU 集群带来了更高效的通信体验。
三、双上联借助双200Gbps端口和双200Gbps NIC，我们在一个Group中实现了GPU数量和通信带宽的倍增。这一设计不仅提升了性能，更重要的是，它能有效缓解因网卡、交换机、光模块、光纤等硬件问题引发的异常，避免中断训练进度，从而大大节省计算资源。在当前大规模AI模型训练中，同步方式已成为主流，而我们的设计恰好满足了这一需求。
双上联策略，包含两种方案。这两种方案都能让一个GPU对应两个上行链路，且这两个链路分别连接到不同的交换机上。具体来说，128台机器的Port-00可以连接至Leaf Switch-00，而Port-15则可以连接至Leaf Switch-15。
拥有1块400Gbps的网络接口卡，该卡上配置有2个200Gbps的端口。尽管这样的配置在网络接口卡故障时，可能会中断训练任务，但一个网卡的管理便利性和占用插槽数量的优势不容忽视。这种设计灵感源于阿里的研究论文[2406.04594] "Boosting Large-scale Parallel Training Efficiency with C4: A Communication-Driven Approach"，旨在通过提升通信效率，推动大规模并行训练的效能。搭载2个200 Gbps NIC，每个NIC配备1个200 Gbps端口：即使一个网卡出现故障，另一个仍可维持正常运作，大幅提升了网络的韧性。然而，这可能会带来额外的管理开销和插槽占用。此设计符合阿里云开发者社区中“灵骏可预期网络”一栏的介绍，专为AI基础设施打造。在双链路中，一旦上行链路或对应交换机故障，流量将无缝切换至另一端口提供服务（如图绿线）。训练任务不会中断，但可能会轻微影响速度。
双上联策略可提升系统稳定性，但也可能加剧ECMP（等价多径）哈希不均问题。如图所示，蓝色代表发送端，橙色代表接收端，通过控制两条上行路径实现流量均匀传输。然而，Spine的存在使得从Spine到右侧Leaf的流量难以保持均衡。尤其在训练场景中，流量数量较少，但每次数据量较大，进一步加剧了流量极度不均的现象，即哈希极化。
为了解决哈希极化问题，HPN 中在网络拓扑中实现了双平面设计。具体来说，每个 GPU 都对应 2 个 NIC Port，那么就可以将所有 GPU 对应的 NIC Port-0 构建一个网络平面，所有 NIC Port-1 构建一个网络平面，两个网络平面的网络拓扑完全一样，并且没有任何交叉。这样的话，只要发送端保证发送到两个 NIC Port 的流量是均匀的，那么在接收端就会一定接收到均匀的流量，大幅降低哈希极化的概率。
如下图所示，平面 1 和平面 2 是完全镜像的，蓝色 GPU 对应的流量会均匀发送到两个平面，并且到每个平面的流量只会在内部转发，如 1,2,3,4 的路径，最终到达橙色 GPU 对应 NIC 的流量也是均匀的。
更清晰的视角可以参考下图：
多轨通信，即通过整合多种通信链路，实现卓越的通信效能。以8*H100 SXM节点为例，其内部NVLink和NVSwitch的全互联设计，可达到惊人的7.2TBps传输速度。而节点间的连接则依赖于高速网络，一个包含128个节点的Group只需一次网络转发即可完成互联。
阿里云展望未来，期望在更广阔的领域（超越8 GPU）内实现卓越的性能连接，类似NVIDIA的最新NVL72和SuperPod 576。这就是图中展示的Scale-Up内部互联（AI Rack）。
-对此，您有什么看法见解？-
-欢迎在评论区留言探讨和分享。-
