DDC技术：AIGC网络的革命性解决方案

原标题：DDC技术：AIGC网络的革命性解决方案

2023年，人工智能生成内容（AIGC）技术将蓬勃发展，其中ChatGPT作为一个典型案例，在文本生成、代码开发和诗歌创作等多个领域引起行业变革。DDC技术对改变网络格局具有创新和突破性意义，很大程度上提升了效率和连接性。本文将介绍这一AIGC网络的新一代革命性解决方案——DDC技术。

GPU负载共享的三种方法

前述AIGC大型模型的卓越能力不仅来自于其庞大的数据量，也源于算法的不断演进和进步。在训练这些大型模型时，通常需要利用多个GPU来分担工作负载。为实现高效的负载共享，采用3种方法：数据并行、张量并行和流水线并行。

数据并行

数据并行是将模型的输入数据分成多个小批次，并在不同的GPU上并行处理这些小批次。每个GPU拥有完整的模型副本，并能独立处理小批次。通过GPU之间的通信和同步，模型参数得以更新和整合。数据并行适用于具有大规模训练数据集的模型，可以加快训练过程，提高模型的收敛速度。

张量并行

当模型过大无法被容纳在单个处理器的内存中时，通常会采用张量并行方法。在这种方法中，模型的不同部分被分配给不同的GPU，每个GPU负责处理一部分输入数据并执行相应的计算。通过GPU之间频繁的通信和同步，输出结果被收集和整合，但这可能导致较高的通信开销。为了最小化交换延迟，张量并行方法要求处理器之间以高速连接的状态进行通信。

流水线并行

流水线并行将模型的计算流程分解为多个阶段，在不同的GPU上以流水线方式并行执行这些阶段。每个GPU处理整体模型计算的特定部分，并将处理结果传递给下一个GPU进行进一步的计算。这种方法可以减少整体训练时间，对于具有复杂计算流程和多个连续阶段的模型尤其有益。但是需要对流水线进行精心管理，其中一些处理器为避免产生过大的停滞，可能会暂停工作去等待和依赖计算结果。有时，这三种并行策略会结合使用，以改进训练过程。

支持AIGC运行的三种传统解决方案

在传统解决方案中，支持AIGC运行的有3种常见解决方案：InfiniBand、RDMA和帧交换机。

InfiniBand网络

InfiniBand网络是一种高速互连技术，广泛应用于高性能计算和数据中心。它具有高带宽、低延迟和无拥塞等优点。然而，与传统以太网网络相比，InfiniBand网络的成本较高，价格是其几倍。

RDMA网络

RDMA（远程直接内存访问）是一种新型的通信机制。在RDMA方案中，数据可以直接与网卡通信，绕过CPU和复杂的操作系统，这在增强数据吞吐量的同时降低了延迟。过去，RDMA主要在InfiniBand网络上实现。现在，它正在逐步移植到以太网上。当前主流的网络方案是基于RoCE v2协议构建支持RDMA的网络。

请参考《RDMA指南》。

帧交换机

帧交换机是专门设计用于处理基于帧的协议（如以太网）的网络交换机。然而，由于可扩展性有限、设备功耗高和故障域广泛等问题，这种技术仅适用于小规模的AI计算机集群部署。

新一代AIGC网络：DDC技术

由于传统以太网存在性能瓶颈，传统方法仍然面临拥塞和丢包等性能损失，并且可扩展性不足。为应对这些限制，DDC解决方案应运而生。DDC技术解构传统的帧交换机，增强其可扩展性，并使得网络规模可以根据AI集群的大小进行定制。

DDC技术不仅在规模和带宽吞吐方面满足大规模AI模型训练的网络需求，还解决了网络运营其他关键方面的问题。但网络运营不仅仅涉及这两个方面，它还需要在延迟、负载均衡、管理效率等方面进行优化。为了解决这些问题，DDC采用了以下技术策略：

VOQ+基于单元的转发技术抵御丢包

在网络经历突发流量的情况下，可能导致接收端处理缓慢，进而导致拥塞和丢包。DDC系统采用VOQ+基于单元的转发机制，为此提供了强大的解决方案。让我们深入了解具体的过程：

发送端在接收到数据包后，将其分类并存储到虚拟输出队列（VOQ）中。网络连接点（NCP）在分段和动态负载平衡之前检查缓冲区容量。在临时处理限制情况下，数据包被存储在VOQ中，提高了通信稳定性和带宽利用率。

PFC单跳部署避免死锁

RDMA无丢包网络利用PFC技术进行流量控制，可以为以太网链路创建具有分配优先级的多个虚拟通道。然而，PFC的实现在死锁这一问题上仍具有一定挑战。

在DDC网络的背景下，考虑所有的网络连接点（NCPs）和网络通信功能（NCFs）作为一个协同的整体，消除对多级交换机的需求，从而带来了独特的优势。因此，DDC架构有效地避免了与PFC相关的死锁问题，确保了网络的无缝和不间断的运行。

分布式操作系统提高可靠性

在DDC架构中，管理功能在网络控制卡（NCC）的控制下进行集中管理。然而，这种集中控制存在单点故障的潜在风险。为了减轻这个风险，DDC采用了分布式操作系统，为每个网络连接点（NCP）和网络通信功能（NCF）提供独立的管理能力。这种分布式的方法包括独立的控制平面和管理平面，以增强系统的可靠性并简化部署过程。

结论

DDC通过其独特的技术策略有效地应对与大规模AI模型训练相关的网络需求。此外DDC还对其他方面进行优化，以确保网络在各种复杂场景下的稳定性和效率。