法国云服务提供商 Scaleway 正在基于 NVIDIA 的 Hopper GPU 和 Spectrum-X 以太网网络平台构建区域性 GPU 集群，为用户提供 AI 按需服务业务。
Scaleway 是法国的一家拥有高性能基础设施的云服务提供商，创立于 1999 年，拥有 80+ 云产品及服务，为全球 25,000+ 客户提供云服务，客户包括 Mistral AI、Aternos、Hugging Face、Golem.ai 等。 Scaleway 提供一站式的云服务，以开发创新解决方案并帮助用户从零开始构建和扩展 AI 项目，目前 Scaleway 正在构建区域 AI 云，提供 GPU 基础设施，用于大规模的 AI 模型训练、推理及部署。
客户挑战
云 AI 工作负载需求正以前所未有的速度增长，同时生成式 AI 应用也在激增。为满足客户部署生成式 AI 应用程序、训练基础 AI 大模型的需求，云服务提供商面临巨大挑战，需要构建 AI 云，使用加速计算技术和高性能网络来支持 AI 业务。Scaleway 的核心需求包括：
● 对于分布式 AI 训练任务，单个任务的训练时间由最慢的计算节点的运行时间决定，这使得尾部延迟至关重要。AI 云需要一个高吞吐、低延迟、低抖动、易扩展的高性能网络，来确保 GPU 间快速、高效的通信，尤其是在大规模部署的场景下。
● 在多个 AI 任务同时运行的多租户环境中，性能隔离对于保护一个租户的 AI 任务免受其他租户业务的影响是必不可少的。由此提出了对多租户多任务场景下性能隔离的需求。
● 对于复杂的 AI 云环境，需要专门适用于 AI 网络的监控管理工具，提供细粒度的网络可视化功能、同时具备网络监控和故障定位能力。
● 为实现 AI 云数据中心的高效、快速部署，需要强大的网络仿真及自动化平台。
● 随着云上用户、数据、应用的快速增长，网络安全威胁不容忽视，需要提供私有的、安全的零信任基础设施，保障用户的业务安全。
解决方案
Scaleway 采用了 NVIDIA 的Hopper GPU 和Spectrum-X 网络平台应对以上挑战。
Scaleway 将 HGX Hopper GPU 服务器加入其 GPU 集群阵容中，以覆盖广泛的计算需求，利用 GPU 的速度和效率加速 AI 分布式工作负载。
对于 Scale-Out AI 网络，Scaleway 采用了基于 BlueField-3 SuperNIC 和 Spectrum SN5600 交换机构建的 Spectrum-X 网络平台。 NVIDIA 的 Spectrum-X 网络平台是全球首个专为 AI 构建的以太网端到端解决方案，与传统以太网相比，其生成式 AI 训练的网络通信效率提高了 1.6 倍。同时 Spectrum-X 部署将利用以下网络软件堆栈：
● NVIDIA Air 用于 AI 网络仿真，NVIDIA Air 是一个云托管的数据中心网络仿真平台，其行为类似于真实世界的生产环境。使用 NVIDIA Air 创建数据中心的数字孪生，可以验证网络配置、网络功能以及自动化部署代码，提升数据中心的部署效率。
● NetQ 用于 AI 网络监控，通过高频遥测技术监控 AI 工作负载，NetQ 提供有关数据中心运行状况的数据和统计信息，关联配置和运行状态，并跟踪状态变化。基于遥测信息，NetQ 提供动态路由监控，RoCE 流量计数器，交换机队列直方图等功能，以识别和应对网络微突发、拥塞场景，方便网络故障定位。
● Cumulus Linux 用于软件驱动的数据中心网络自动化，Cumulus Linux 是创新的开放网络操作系统，支持 BGP/OSPF 路由协议，以太网虚拟专用网络 EVPN，虚拟路由和转发。
● DOCA SDK 和库用于增强 BlueField-3 SuperNIC 性能，DOCA SDK 提供行业标准的开放 API 和软件框架，包括针对 RDMA、网络、安全、存储、数据路径加速的 SDK，帮助开发者快速创建软件定义、SuperNIC 加速的服务。
使用的NVIDIA产品
● 硬件:
o NVIDIA HGX Hopper 服务器
o NVIDIA Spectrum-4 SN5600 以太网交换机
o NVIDIA BlueField-3 B3140H SuperNICs
● 软件:
o Cumulus Linux 网络操作系统
o NetQ 监控管理平台
o NVIDIA Air 仿真平台
o DOCA SDK
实际效果
采用 NVIDIA 的整体解决方案后，极大地提升了 AI 计算能力，缩短了 AI 训练时间，同时加速了 AI 解决方案的开发、部署和上市时间，有效提高了投资回报率。
● Scaleway 客户可以从几个 GPU 扩展到几千个 GPU，以适应任何 AI 用例
● Spectrum-X 提供多租户、多任务的 AI 环境所需的高性能和安全性， 借助动态路由、拥塞控制、全局共享缓冲区等多种机制，实现了多任务的性能隔离。
● NetQ 提供对 AI 网络健康状况的深度可视性，具有 RoCE 流量计数器、事件和WJH（What Just Happened）警报等丰富的仪表板，实现 AI 网络可视化、故障排除和验证功能。
● NVIDIA Air 和 Cumulus Linux 支持 API 原生网络环境，该环境可集成到 DevOps 工具链中，实现了第 0 天、第 1 天 和第 2 天操作的无缝衔接。
NVIDIA 网络高级副总裁 Gilad Shainer 表示：“生成式 AI 等开创性技术的飞速发展，使每家企业都必须把网络创新放在第一位，从而获得竞争优势。NVIDIA Spectrum-X 是对以太网络的一次革命，让企业能够充分利用其 AI 基础设施的强大力量来改变其运营方式，甚至颠覆他们的行业。”
Scaleway 首席执行官 Damien Lucas 表示：“NVIDIA Spectrum-X 网络技术为我们的 ‘ GPU 集群按需服务’ 提供了更快的网络连接和更高效的 GPU 通信，使我们的客户能够加速开发和部署他们的 AI 解决方案。”
