根据OpenAI的数据分析，自2012年起，最新的AI模型训练所需要的计算量每3-4个月就要翻一倍。在过去5年，GPU算力增长了近90倍，而网络带宽仅增长了10倍。随着AI训练集群规模的增大，以及单节点算力的增长，AI训练逐渐从计算约束转换为网络通信约束。
另一方面，存储介质SSD(固态硬盘)的访问性能相比于分布式存储HDD(机械硬盘)已经提升了100倍，采用NVMe接口协议的SSD，访问性能可以提升10000倍。网络时延占比已经从原来小于5%提升到65%。网络时延也已经成为影响存储效率的重要因素。
传统TCP/IP协议在接收/发送报文时，内核需要做多次上下文切换，每次切换需要耗费5us-10us左右，需要至少三次的数据拷贝，需要耗费算力进行协议封装。RDMA网络相比TCP提供更高的单流通信带宽。RDMA网络的内核旁路和内存零拷贝特性，大大缩短了协议栈的通信处理时延以及数据搬移时延。RDMA允许用户态的应用程序直接读取和写入远程内存，无需CPU接入多次拷贝内存，并可绕过内核直接向网卡写数据，实现了高吞吐量、超低时延和低CPU开销。
最新版的RDMA协议RoCEv2 运行在UDP上，没有滑动窗口、确认应答等机制，一旦丢包，需要依靠上层应用检查并重传，这大大降低了RDMA传输效率。当网络的丢包率>10-3时，将导致RDMA有效吞吐急剧下降;2%的丢包将使RDMA吞吐率下降为0。要使得RDMA吞吐不受影响，丢包率必须保证在十万分之一以下，最好为无丢包。总而言之，RDMA的高效率依赖于无损网络。
网络拥塞原因
要实现无损网络，实际上就是要解决网络上的拥塞问题。
造成网络拥塞主要有如下原因：
1)上下行非对称设计。网络设计通常采用非对称的方式，上下行链路带宽不一致(收敛比)。以交换机为例，当下联的服务器上行发包总速率超过上行链路总带宽时，上行口就会出现拥塞。
2)ECMP。数据中心多采用Fabric架构，并采用ECMP来构建多条等价负载均衡的链路，通过设置HASH因子并HASH选择一条链路来转发，该过程没有考虑所选链路本身是否有拥塞，所选择的链路流量饱和时，就会发生网络拥塞。
3)TCP Incast。当服务器向一组节点发起请求时，集群中的节点会同时收到该请求，并且几乎同时做出响应，从而产生了“微突发流”，如果交换机上连接服务器的出端口缓存不足就会造成拥塞。
无损网络的特征
“0丢包”、“低时延”、“高吞吐”是无损网络三大核心特征。
这三个指标相互影响：
- 0丢包：会抑制链路带宽，导致低吞吐，同时会增加大流的传输时延;
- 低时延：降低交换机队列排队，导致低吞吐;
- 高吞吐：保持链路高利用率，导致交换机的拥塞排队，导致小流的“高时延”。
构建无损网络可以从两个方面入手，一个是网络自身的优化，另一个是网络与应用系统的融合优化。后者包括网算一体、网络与存储相融合等等，不在此文范围内。本文侧重前一个方面。
网络自身的优化目标是使整网吞吐最高、时延最低，包括三个层次：
1)流的控制(Flow control)：用于解决发送端与接收端速率匹配，做到无丢包;
2)拥塞控制(Congestion control)：用于解决网络拥塞时对流量的速率控制问题，做到满吞吐与低时延;
3)流量调度(Traffic scheduling)：用于解决业务流量与网络链路的负载均衡问题，做到不同业务流量的服务质量保障。
无损网络的流控技术
流控技术是保障网络零丢包的基础技术。由流量接收方控制数据传输的速率。
IEEE802.3 Annex 318 约定的PAUSE帧是以太网中实现流控的基本协议。当接收设备接收能力小于上游设备时，会主动发PAUSE帧给上游设备，要求上游设备在一段时间内暂停流量的发送。PAUSE帧只能阻止上游设备发送普通的数据帧，不能阻止发送MAC控制帧。
PAUSE帧的目的MAC地址是保留的MAC地址0180-C200-0001，源MAC是发送PAUSE帧的设备MAC地址。MAC Control Opcode域的值为0x0001。PAUSE帧是MAC控制帧的一种。接收端设备出现拥塞的情况下，本段源端口通常会连续收到多个PAUSE帧。只要接收端设备的拥塞状态没有解除，相关的端口就会一直发送PAUSE。基于以太PAUSE机制的流控虽然可以预防丢包，但是会导致一条链路上的所有报文停止发送。为了解决这个问题，IEEE在802.1qbb中引入了优先级流控功能PFC(基于优先级的流量控制)也称Per Priority Pause或CBFC(Class Based Flow Control)
PFC允许在一条以太链路上创建8个虚拟通道，并为每一个虚拟通道指定优先级，允许单独暂停和重启其中任意一条虚拟通道，同时允许其他虚拟通道的流量无中断通过。当队列已使用的缓存降低到PFC门限值以下时，则向上游发送PFC反压停止报文，通知上游重新发包，从而最终实现报文的零丢包传输。
无损网络的拥塞控制
拥塞控制是对进入网络的数据总量进行控制，使网络流量保持在可接受水平的一种控制方法。
ECN(Explicit Congestion Notification)技术：当流量接收端感知到网络上的拥塞后，通过协议报文通知发送端，使流量发送端降低报文发送速率，从而从早期避免拥塞而导致的丢包，从而最大限度利用网络性能。
DCQCN(Data Center Quantized Congestion Notification)：目前在RoCEv2网络种使用最广泛的拥塞控制算法。融合了QCN算法和DCTCP算法，需要数据中心交换机支持WRED和ECN。DCQCN可以提供较好的公平性，实现高带宽利用率，保证低的队列缓存占用率和较少的队列缓存抖动情况。
DCQCN算法由三个部分组成：交换机(CP，Congestion Point)、接收端提示点NP(Notification Point)、发送端反馈点RP(Reaction Point)。交换机发现出端口队列超出阈值，在转发报文时会按照一定概率给报文携带ECN拥塞标记(ECN字段设置为11)，以标示网络中存在的拥塞。标记过程由WRED(Weighted Random Early Detection)功能完成。RP根据收到的ECN拥塞标记向RP发送反压信息。
图1：DCQCN算法示意图
ECN overlay：ECN Overlay将ECN(Explicit Congestion Notification)功能应用到VXLAN中，Overlay网络拥塞可以被及时感知，让流量接收端通知发送端进行降速，缓解网络拥塞。
iQCN(intelligent Quantized Congestion Notification)：通过让转发设备智能补偿发送CNP通知报文，解决流量发送端网络未及时收到CNP报文而迅速升速带来的网络拥塞加剧的问题。具备iQCN功能的CP(Congestion Point)对收到的CNP报文进行记录，维护包含CNP报文信息和时间戳的流表。CP会对本设备的端口拥塞程度进行持续监测，端口拥塞较为严重时，比较CNP报文的时间间隔与网卡升速时间：若发现从NP收到的CNP报文的时间间隔小于RP的网卡升速时间，判断网卡可以正常降速，CP正常转发CNP报文;若发现从NP收到CNP报文的时间间隔大于RP的网卡升速时间，判断网卡不能及时降速且存在升速风险，CP将会主动补偿发送CNP报文。
无损网络的流量调度技术
流量调度技术指的是网络节点在转发流量时，将负载(流量)分摊到多条链路上进行转发。网络中常用的负载分担机制包括等价多路径路由ECMP和链路聚合LAG。
ECMP(Equal-Cost Multi-Path routing)负载分担：实现了等价多路径负载均衡和链路备份的目的。ECMP应用于多条链路到达同一目的地址的网络环境中，当多条路由优先级和度量都相同时，可以实现负载分担;当多条路由优先级和度量不相同时，可以实现路由备份。后者，发往目的地址的数据包只能利用其中的一条链路，其他链路处于备份状态或无效状态，并且在动态路由环境下切换需要一定时间。ECMP负载分担时，路由器将数据包的五元组(源地址、目的地址、源端口、目的端口、协议)作为哈希因子，通过HASH算法生成HASH-KEY，在负载分担链路中选取一条成员链路对数据包进行转发。正常情况下，路由器采用主路由转发数据。当主链路出现故障时，主路由变为非激活状态，路由器选择备份路由中优先级最高的路由转发数据。当主链路恢复正常时，由于主路由的优先级最高，路由器重新选择主路由来发送数据。
LAG(Link Aggregation Group)负载分担：将多个物理接口捆绑为一个逻辑接口，达到增加链路带宽的目的。这个逻辑接口称为聚合接口或Eth-Trunk接口。在使用Eth-Trunk转发数据时，由于聚合组两端设备之间有多条物理链路，有可能产生同一数据流的第一个数据帧在一条物理链路上传输，第二个数据帧在另外一条物理链路上传输，有可能产生数据包乱序的情况。通过采用逐流负载分担的机制，将数据帧中的地址通过HASH算法生成HASH-KEY值，关联Eth-Trunk转发表中对应的出接口，不同的MAC或IP地址HASH得出的HASH-KEY不同，出接口也不同，保证了同一数据流的帧在同一条陆离链路转发，又实现了流量在聚合组内各物理链路上的负载分担。
小 结
RDMA的高效运行依赖于无损网络。“0丢包”、“低时延”、“高吞吐”是无损网络三大核心特征。流量控制、拥塞控制、流量调度是无损网络的三大核心技术。通过无损网络的建设，算力、网络、存储才能相互匹配，协同发挥更大的作用。
