Репортаж от Wedoany，Компания DriveNets недавно объявила о первом в отрасли коммерческом развертывании длиннопролетной межсетевой AI-сети. В рамках проекта Redwood компании WhiteFiber, AI Fabric от DriveNets объединила два кластера GPU WhiteFiber H200, расположенных на расстоянии 52 миль друг от друга, в единый логический GPU-суперкластер с подтвержденной пропускной способностью 111,2 Тбит/с и гарантированной задержкой 0,9 мс. Хотя межсетевая архитектура широко обсуждалась в отрасли, DriveNets стала первой компанией, которая перевела эту концепцию из стадии разработки в реальное коммерческое развертывание, проведя валидацию в производственных масштабах, а не в лабораторных условиях.
Ограничения при строительстве AI-инфраструктуры все чаще связаны с доступностью электроэнергии и пространства в одном месте, а не с вычислительной мощностью. Межсетевая архитектура устраняет это ограничение; разработчики AI-систем больше не привязаны к энергетической мощности одного объекта, а могут расширять кластеры на удаленные площадки и эксплуатировать распределенные GPU как единую систему. Это позволяет создавать более крупные и отказоустойчивые кластеры, свободно размещая их там, где есть электроэнергия, без ущерба для производительности.
Протягивание кластера на расстояние представляет собой более сложную сетевую задачу, чем просто прокладка кабеля между двумя площадками. Каналы, соединяющие удаленные площадки, обычно имеют меньшую пропускную способность, чем коммутационная структура внутри объекта, и почти не имеют запаса для поглощения всплесков трафика без возникновения перегрузок. Обучение AI еще больше усугубляет проблему: оно генерирует небольшое количество очень больших потоков трафика, которые поступают синхронными всплесками, с которыми не справляются традиционные методы балансировки нагрузки и буферизации в центрах обработки данных. Без коммутационной структуры, специально разработанной для поглощения этих всплесков трафика и управления перегрузками в реальном времени, возникают пики задержек и потери пакетов, что приводит к простою GPU на обеих сторонах кластера. Решение этой проблемы на больших расстояниях без потери производительности является ключевой причиной, почему межсетевая архитектура и ее технологии коммутации, буферизации и управления перегрузками имеют решающее значение для следующего этапа развития AI-инфраструктуры.
Проект Redwood компании WhiteFiber объединяет два географически разделенных кластера GPU в единый логический GPU-суперкластер, а решение AI Fabric от DriveNets обеспечивает высокопроизводительную сеть, соединяющую две площадки. Идо Сусан, сооснователь и генеральный директор DriveNets, заявил, что доступность электроэнергии может быть основным ограничением для развития AI-инфраструктуры, но благодаря этому валидационному развертыванию оно перестает быть препятствием. Сэм Табар, генеральный директор WhiteFiber, отметил, что AI Fabric от DriveNets сыграла решающую роль в доказательстве того, что проект Redwood способен обеспечить производительность и надежность односайтового кластера на двух площадках. В ходе валидации сравнивалась производительность между стойками GPU в пределах одного сайта и между стойками GPU, расположенными на двух разных сайтах, причем одна стойка GPU находилась на основном сайте, а другая — на удаленном. Более подробная информация о методологии и результатах валидации доступна в техническом документе DriveNets.
Традиционные каналы межсетевого взаимодействия центров обработки данных не предназначены для AI-нагрузок, которые генерируют всплески трафика, не терпящие джиттера или потери пакетов. Коммутаторы DriveNets 9300F, 5300R и 5301R, работающие на базе технологии Fabric Scheduled Ethernet (FSE), расширяют AI-коммутационную структуру за пределы одного центра обработки данных за счет балансировки нагрузки на основе ячеек, сквозных виртуальных очередей вывода (VOQ) и глубокой буферизации межсоединений, поглощая всплески AI-трафика до того, как они вызовут перегрузку. Результатом является предсказуемое без потерь соединение между площадками, позволяющее поддерживать высокую утилизацию GPU.
