AIGC的爆發(fā)除了帶來算力上的挑戰(zhàn)，對網(wǎng)絡(luò)的要求也達(dá)到了前所未有的高度。6月26日，騰訊云首次對外完整披露自研星脈高性能計算網(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10萬卡的超大計算規(guī)模。
(資料圖)
AIGC的火爆帶來AI大模型參數(shù)量從億級到萬億級的飆升。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、信息無損，是AI大模型時代網(wǎng)絡(luò)面臨的核心挑戰(zhàn)。
千億、萬億參數(shù)規(guī)模的大模型，訓(xùn)練過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)無法支撐。同時，傳統(tǒng)網(wǎng)絡(luò)協(xié)議容易導(dǎo)致網(wǎng)絡(luò)擁塞、高延時和丟包，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。
基于全面自研能力，騰訊云在交換機(jī)、通信協(xié)議、通信庫以及運(yùn)營系統(tǒng)等方面，進(jìn)行了軟硬一體的升級和創(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，采用全自研設(shè)備構(gòu)建互聯(lián)底座，實現(xiàn)自動化部署和配置。
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監(jiān)測并調(diào)整網(wǎng)絡(luò)擁塞，滿足大量服務(wù)器節(jié)點之間的通信需求，確保數(shù)據(jù)交換流暢、延時低，實現(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)計了高性能集合通信庫TCCL，融入定制化解決方案，使系統(tǒng)實現(xiàn)了微秒級感知網(wǎng)絡(luò)質(zhì)量。結(jié)合動態(tài)調(diào)度機(jī)制合理分配通信通道，可以避免因網(wǎng)絡(luò)問題導(dǎo)致的訓(xùn)練中斷等問題，讓通信時延降低40%。
網(wǎng)絡(luò)的可用性，也決定了整個集群的計算穩(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)營系統(tǒng)，通過端網(wǎng)立體化監(jiān)控與智能定位系統(tǒng)，將端網(wǎng)問題自動定界分析，讓整體故障的排查時間由天級降低至分鐘級。同時，大模型訓(xùn)練系統(tǒng)的整體部署時間從19天縮減至4.5天。
文/北京青年報記者 溫婧
編輯/樊宏偉
責(zé)任編輯：
標(biāo)簽：
