8月9日，以“智联万物 网聚未来”为主题的2025 AI网络技术应用创新大会在京召开。浪潮信息旗下元脉网络副总经理陈翔发表主题为“元脉高性能AI网络，助力算力潜能释放”的演讲，详细介绍了元脉网络在AI网络上的创新与实践。
元脉网络副总经理 陈翔
AI业务规模化发展 三大挑战亟待解决
随着人工智能技术的迅猛发展，智算中心的集群规模持续扩大，AI网络建设亟需攻克在“部署效率、系统稳定性、资源负载”三方面的挑战。
当前，AI应用正呈现与业务深度渗透融合的态势，“如何提高部署效率、实现业务快速上线”已成为AI网络建设面临的首要问题。然而，集群规模的急速扩张，大幅提升了网络部署与调优的难度。以传统RoCE技术为例，其拥塞控制主要采用DCQCN技术，而该技术的参数需进行针对性调优，这直接导致拥塞控制部署流程复杂，进而影响业务上线效率。
集群建设涉及 GPU、网络、光模块等大量组件及复杂协议栈，当前训练流量以大象流为主，这类流量具有同步突发特性，易因通信等待造成大量算力损耗；与此同时，卡间通信还陷入“训练规模越大，平均无故障时间越高”的悖论。据业界公开数据显示，在AI系统故障中，网络因素占比超10%，已成为制约AI技术发展的重要瓶颈。
随着大模型框架的陆续开源，在业内激发出新一轮部署热潮。但大模型的快速部署，也让模型内部出现“训练+推理”混跑的连锁反应，在这样多任务混跑条件下部署的网络，会出现性能下降、流量相互干扰、及网络资源负载不均衡等问题。
元脉网络打造高性能、高可靠AI Fabric方案
为解决上述问题，元脉网络推出高性能、高可靠的AI Fabric方案。该方案由元脉RoCE技术、AI Fabric交换机、及智能运管平台三大核心组件构成，可以实现AI网络的端网一键部署、流量精准可视、故障智能预测。
在部署效率和稳定性上，元脉网络智能运管平台ICE支持端网一键部署，可以统一纳管交换机、网卡、光模块、GPU、服务器等设备，实现拓扑配置一键校验、全网自动上线。同时，支持训前一键NCCL压力测试，将部署时间从数周缩短到数天，极大简化用户的运维部署成本。
此外，元脉网络AI Fabric方案搭建了更先进的高精度遥测核心技术，可实现AI流量的精准可视。
三级“可靠”加固 AI网络“安全感”拉满
为提高智算中心集群网络的可靠性，元脉网络从“设备-链路-系统”三个维度进行可靠性加固，降低智算中心建设过程中的单点故障率，提升系统无故障训练时间，激发算力潜能。
元脉网络AI Fabric方案内置独创的IGE智能防护引擎，硬件层面采用RAS可靠性架构设计，对所有关键部件实施冗余备份，真正实现“单一设备失效，整个系统无感运行”；软件层面采用模块化架构，将业务模块进行容器化隔离部署，确保各模块独立运行、互不干扰，同时为关键模块配备热重启与热升级功能，充分满足AI网络环境的高稳定性要求；此外，通过独立的管理监控平台OpenBMC，提供更高级别的安全防护与可靠性保障，全方位适配AI时代数据中心的管理需求。
由于集群规模庞大，光模块数量众多，一旦光模块发生故障，将极大影响大模型的训练进程。对此，元脉网络AI Fabric方案可实现对光模块各项指标的精准监控，能够实时掌握其健康状态并提前预警，达到故障“主动预警、提前干预”的目的，有效减少训练中断的情况，降低故障带来的影响。
在系统级可靠性设计方面，元脉网络AI Fabric方案具备多重技术优势。一是采用智能负载均衡技术，当链路发生故障时，智能负载均衡可依据全局链路状态，重新均衡AI流量，性能较传统RoCE领先2.3倍；针对单平面架构易出现单点故障的风险，方案采用多平面架构技术，为算力持续可用提供坚实保障，不仅可以实现 AI 通信零中断，更使有效训练时长占比高达99%。（张梦凡）
[ 责编：蔡琳]
