十倍提升大模型通信性能，騰訊云首次完整披露自研星脈高性能計(jì)算網(wǎng)絡(luò)

魚羊 2023-06-26 18:42:52 來(lái)源：量子位

AIGC的爆發(fā)除了帶來(lái)算力上的挑戰(zhàn)，對(duì)網(wǎng)絡(luò)的要求也達(dá)到了前所未有的高度。

6月26日，騰訊云首次對(duì)外完整披露自研星脈高性能計(jì)算網(wǎng)絡(luò)：

星脈網(wǎng)絡(luò)具備業(yè)界最高的3.2T通信帶寬，能提升40%的GPU利用率，節(jié)省30%~60%的模型訓(xùn)練成本，為AI大模型帶來(lái)10倍通信性能提升?；隍v訊云新一代算力集群HCC，可支持10萬(wàn)卡的超大計(jì)算規(guī)模。

騰訊云副總裁王亞晨表示：“星脈網(wǎng)絡(luò)是為大模型而生。它所提供的大帶寬、高利用率以及零丟包的高性能網(wǎng)絡(luò)服務(wù)，將助力算力瓶頸的突破，進(jìn)一步釋放AI潛能，全面提升企業(yè)大模型的訓(xùn)練效率，在云上加速大模型技術(shù)的迭代升級(jí)和落地應(yīng)用?！?/p>

構(gòu)建大模型專屬高性能網(wǎng)絡(luò)，提升40%GPU利用率

AIGC的火爆帶來(lái)AI大模型參數(shù)量從億級(jí)到萬(wàn)億級(jí)的飆升。為支撐海量數(shù)據(jù)的大規(guī)模訓(xùn)練，大量服務(wù)器通過(guò)高速網(wǎng)絡(luò)組成算力集群，互聯(lián)互通，共同完成訓(xùn)練任務(wù)。

大集群不等于大算力，相反，GPU集群越大，產(chǎn)生的額外通信損耗越多。大帶寬、高利用率、信息無(wú)損，是AI大模型時(shí)代網(wǎng)絡(luò)面臨的核心挑戰(zhàn)。

千億、萬(wàn)億參數(shù)規(guī)模的大模型，訓(xùn)練過(guò)程中通信占比最大可達(dá)50%，傳統(tǒng)低速網(wǎng)絡(luò)的帶寬遠(yuǎn)遠(yuǎn)無(wú)法支撐。同時(shí)，傳統(tǒng)網(wǎng)絡(luò)協(xié)議容易導(dǎo)致網(wǎng)絡(luò)擁塞、高延時(shí)和丟包，而僅0.1%的網(wǎng)絡(luò)丟包就可能導(dǎo)致50%的算力損失，最終造成算力資源的嚴(yán)重浪費(fèi)。

基于全面自研能力，騰訊云在交換機(jī)、通信協(xié)議、通信庫(kù)以及運(yùn)營(yíng)系統(tǒng)等方面，進(jìn)行了軟硬一體的升級(jí)和創(chuàng)新，率先推出業(yè)界領(lǐng)先的大模型專屬高性能網(wǎng)絡(luò)——星脈網(wǎng)絡(luò)。

在硬件方面，星脈網(wǎng)絡(luò)基于騰訊的網(wǎng)絡(luò)研發(fā)平臺(tái)，采用全自研設(shè)備構(gòu)建互聯(lián)底座，實(shí)現(xiàn)自動(dòng)化部署和配置。

在軟件方面，騰訊云自研的TiTa網(wǎng)絡(luò)協(xié)議，采用先進(jìn)的擁塞控制和管理技術(shù)，能夠?qū)崟r(shí)監(jiān)測(cè)并調(diào)整網(wǎng)絡(luò)擁塞，滿足大量服務(wù)器節(jié)點(diǎn)之間的通信需求，確保數(shù)據(jù)交換流暢、延時(shí)低，實(shí)現(xiàn)高負(fù)載下的零丟包，使集群通信效率達(dá)90%以上。

此外，騰訊云還為星脈網(wǎng)絡(luò)設(shè)計(jì)了高性能集合通信庫(kù)TCCL，融入定制化解決方案，使系統(tǒng)實(shí)現(xiàn)了微秒級(jí)感知網(wǎng)絡(luò)質(zhì)量。結(jié)合動(dòng)態(tài)調(diào)度機(jī)制合理分配通信通道，可以避免因網(wǎng)絡(luò)問(wèn)題導(dǎo)致的訓(xùn)練中斷等問(wèn)題，讓通信時(shí)延降低40%。

網(wǎng)絡(luò)的可用性，也決定了整個(gè)集群的計(jì)算穩(wěn)定性。為確保星脈網(wǎng)絡(luò)的高可用，騰訊云自研了端到端的全棧網(wǎng)絡(luò)運(yùn)營(yíng)系統(tǒng)，通過(guò)端網(wǎng)立體化監(jiān)控與智能定位系統(tǒng)，將端網(wǎng)問(wèn)題自動(dòng)定界分析，讓整體故障的排查時(shí)間由天級(jí)降低至分鐘級(jí)。同時(shí)，大模型訓(xùn)練系統(tǒng)的整體部署時(shí)間從19天縮減至4.5天，保證基礎(chǔ)配置100%準(zhǔn)確。

歷經(jīng)三代技術(shù)演進(jìn)，軟硬一體深耕自研

星脈網(wǎng)絡(luò)全方位的升級(jí)背后，是騰訊數(shù)據(jù)中心網(wǎng)絡(luò)歷經(jīng)三代技術(shù)演進(jìn)的成果。

在騰訊發(fā)展初期，數(shù)據(jù)中心網(wǎng)絡(luò)流量主要由用戶訪問(wèn)數(shù)據(jù)中心服務(wù)器的南北向流量構(gòu)成，網(wǎng)絡(luò)架構(gòu)以接入、匯聚、出口為主。這一階段主要使用了商用網(wǎng)絡(luò)設(shè)備，搭建標(biāo)準(zhǔn)化數(shù)據(jù)中心網(wǎng)絡(luò)，支撐QQ在線人數(shù)增長(zhǎng)超過(guò)1億，服務(wù)器規(guī)模增長(zhǎng)超10萬(wàn)。

隨著大數(shù)據(jù)和云計(jì)算的興起，服務(wù)器之間的東西向流量逐漸增多，云租戶對(duì)網(wǎng)絡(luò)產(chǎn)生了虛擬化和隔離的要求。數(shù)據(jù)中心網(wǎng)絡(luò)架構(gòu)逐漸演變?yōu)橥瑫r(shí)承載南北向和東西向流量的云網(wǎng)絡(luò)架構(gòu)，騰訊云構(gòu)建了全自研網(wǎng)絡(luò)設(shè)備與管理系統(tǒng)，打造超大規(guī)模數(shù)據(jù)中心網(wǎng)絡(luò)，服務(wù)器規(guī)模近200萬(wàn)臺(tái)。

如今隨著AI大模型的出現(xiàn)，騰訊云在國(guó)內(nèi)率先推出高性能計(jì)算網(wǎng)絡(luò)，采用東西向、南北向流量的分離架構(gòu)。構(gòu)建了獨(dú)立的超大帶寬、符合AI訓(xùn)練流量特征的網(wǎng)絡(luò)架構(gòu)，并配合自研軟硬件設(shè)施，實(shí)現(xiàn)整套系統(tǒng)的自主可控，滿足超強(qiáng)算力對(duì)網(wǎng)絡(luò)性能的新需求。

日前，騰訊云發(fā)布的新一代HCC高性能計(jì)算集群，正是基于星脈高性能網(wǎng)絡(luò)打造，可以實(shí)現(xiàn)3.2T超高互聯(lián)帶寬，算力性能較前代提升3倍，為AI大模型訓(xùn)練構(gòu)筑可靠的高性能網(wǎng)絡(luò)底座。

未來(lái)，騰訊云還將持續(xù)投入基礎(chǔ)技術(shù)的研發(fā)，為各行各業(yè)的數(shù)智化轉(zhuǎn)型提供有力的技術(shù)支撐。