清华大学提出面向大规模智算集群的新型Scale-out组网架构

主要观点总结

本文介绍了清华大学提出的面向大规模智算集群的新型Scale-out组网架构ZCube。相比业界现有的智算组网架构，ZCube在降低网络直径、提升网络容错能力的同时，大幅降低网络成本。通过自动化智算网络架构设计工具ATOP，ZCube实现了优越的性能。论文被计算机网络顶级会议ACM SIGCOMM 2025录用。

关键观点总结

关键观点1: ZCube的特点和优势

ZCube是一种新型的超平面组网架构，每台GPU服务器配置多个多端口网卡，不同的网卡端口连接不同层（平面）交换机，跨层交换机之间全连接。其优势包括低网络直径、强容错能力和低成本。

关键观点2: ZCube与现有智算组网架构的对比

与ROFT、Rail-only、HPN 7.0等业界现有的智算组网架构相比，ZCube实现了更低的网络直径，可提高端到端模型训练性能；同时，ZCube提高了网络容错能力；在实现这些优势的同时，ZCube还将网络硬件成本降低了26%~46%。

关键观点3: 自动化智算网络架构设计工具ATOP的作用

ZCube架构的设计来源于NASP实验室开发的自动化网络架构优化设计软件ATOP。ATOP支持对智算组网架构在新建、优化和扩建过程中的多目标优化，其工作流程包括拓扑建模、拓扑搜索优化和拓扑评估。

免责声明