简单说说算力网络：集群互联，选RoCE还是InfiniBand？

前段时间写的文章《简单说说算力网络：什么是InfiniBand？》说到，AI服务器的数据通信涉及到3个部分：服务器内部通信、AI集群内服务器之间通信，以及跨集群的广域通信。

服务器内部GPU之间的高速通信主要采用NVLink，当然，英伟达也在利用NVLink来构建集群SuperPOD，但其支持的GPU规模相对有限，主要应用于小规模跨服务器节点间的数据传输。大型AI集群主要还是依靠RDMA网络，也就是采用RoCE或InfiniBand。

本文以典型英伟达A100服务器为例，详细说明一下各组件之间的联网架构。A100服务器内部的网络连接方式如下图所示：

A100服务器的主要模块包括：2个CPU、2张InfiniBand存储网卡（BF3 DPU）、4个PCIe Gen4 Switch芯片、6个NVSwitch芯片、8个GPU（A100）、8个InfiniBand网卡。8个GPU通过6个NVSwitch芯片全网状连接（Full-mesh）。

1、主机内部GPU之间，采用NVLink：

A100双向带宽为12*50GB/s=600GB/s；

A800是阉割版，双向带宽变为8*50GB/s=400GB/s

2、主机内部GPU与网卡之间：

GPU <--> PCIe Switch <--> NIC，理论上单向32GB/s

3、跨主机GPU之间：

通过InfiniBand网卡收发数据。如下图所示：

不管是计算网络还是存储网络，都需要RDMA才能满足AI所需的高性能。网络采用Spine-Leaf架构：8块GPU通过InfiniBand网卡（HDR，200Gbps）直连到Leaf交换机，Leaf交换机通过Full-mesh连接到Spine交换机，形成跨主机GPU计算网络。

A100中InfiniBand网卡采用HDR，是因为HDR单向200Gbps（即25GB/s）已接近PCIe gen4单向32GB/s的理论速度。就算高配NDR（单向400Gbps，即50GB/s）作用也不大。

结论：

InfiniBand作为一种原生的RDMA网络，在无拥塞和低延迟环境下表现突出，但其架构相对封闭，成本较高（同等带宽下，InfiniBand性能比RoCE好20%以上，价格却要贵一倍），因此，InfiniBand主要适用于中小规模集群场景。

RoCE则凭借其成熟以太网生态、低组网成本以及快速技术迭代，更适用于中大型训练集群场景。例如，当前公有云服务商卖的8卡GPU主机基本都是RoCE网络。