眾所周知，人工智能正在改變世界。對(duì)于網(wǎng)絡(luò)管理員而言，人工智能可以以一些令人驚嘆的方式改善日常運(yùn)營(yíng)：

• 重復(fù)性任務(wù)的自動(dòng)化：這包括監(jiān)控、故障排除和升級(jí)，可以節(jié)省時(shí)間，同時(shí)降低人為錯(cuò)誤的風(fēng)險(xiǎn)。

• 網(wǎng)絡(luò)安全：人工智能可以幫助實(shí)時(shí)檢測(cè)和應(yīng)對(duì)安全威脅。例如，NVIDIA Morpheus 使網(wǎng)絡(luò)安全開(kāi)發(fā)者能夠創(chuàng)建經(jīng)過(guò)優(yōu)化的實(shí)時(shí)數(shù)據(jù) AI 流水線。

• 拓?fù)鋬?yōu)化：借助合適的遙測(cè)技術(shù)，人工智能可以分析流量模式并提出更改建議，從而優(yōu)化網(wǎng)絡(luò)性能。

• 主動(dòng)式網(wǎng)絡(luò)規(guī)劃：人工智能可以使用同樣的高級(jí)網(wǎng)絡(luò)遙測(cè)技術(shù)來(lái)評(píng)估趨勢(shì)，以預(yù)測(cè)潛在問(wèn)題，并在問(wèn)題發(fā)生之前提出更改建議，從而避免問(wèn)題的發(fā)生。

然而，人工智能無(wú)法取代經(jīng)驗(yàn)豐富的網(wǎng)絡(luò)管理員的專業(yè)知識(shí)。人工智能旨在增強(qiáng)您的能力，就像一個(gè)虛擬助理一樣。因此，人工智能可能會(huì)成為您最好的朋友，但生成式 AI 是一種新的數(shù)據(jù)中心工作負(fù)載，它帶來(lái)了新的范式轉(zhuǎn)變：NVIDIA 集合通信庫(kù)（NCCL）。

數(shù)據(jù)中心的演變

網(wǎng)絡(luò)管理員不得不處理許多其他近期更改：

• 如何配置網(wǎng)絡(luò)

• 如何監(jiān)控和管理網(wǎng)絡(luò)

• 如何設(shè)計(jì)網(wǎng)絡(luò)

• 網(wǎng)絡(luò)上的協(xié)議和工作負(fù)載

不久前，我們可能已經(jīng)通過(guò)特定網(wǎng)絡(luò)命令行界面（CLI）的專業(yè)水平來(lái)衡量新網(wǎng)絡(luò)管理員的價(jià)值。隨著混合云計(jì)算和 DevOps 的出現(xiàn)，從 CLI 到 API 的轉(zhuǎn)變也在不斷發(fā)展。

甚至您監(jiān)控和管理網(wǎng)絡(luò)的方式也發(fā)生了變化。您已經(jīng)從使用 SNMP 和 NetFlow 在數(shù)據(jù)中心輪詢?cè)O(shè)備的工具轉(zhuǎn)向了新的基于交換機(jī)的遙測(cè)模型，在該模型中，交換機(jī)會(huì)主動(dòng)以流式傳輸提供基于流的診斷詳細(xì)信息。

您可以實(shí)操將新的工作負(fù)載引入數(shù)據(jù)中心，其中許多數(shù)據(jù)中心都有獨(dú)特的網(wǎng)絡(luò)需求。您已經(jīng)看到傳統(tǒng)數(shù)據(jù)庫(kù)被數(shù)據(jù)分析和大數(shù)據(jù)集群所取代。

現(xiàn)在，當(dāng)被要求構(gòu)建人工智能集群時(shí)，人們很容易認(rèn)為人工智能只是一個(gè)規(guī)模更大、速度更快的大數(shù)據(jù)應(yīng)用程序。但人工智能是不同的，如果沒(méi)有合適的工具，人工智能可能會(huì)很難實(shí)現(xiàn)。

生成式 AI 和 NCCL 的影響

您是一家大型企業(yè)的網(wǎng)絡(luò)管理員。您的 CTO 參加了 GTC 2023，并了解了生成式 AI 他們希望通過(guò)構(gòu)建像 ChatGPT 這樣的大型語(yǔ)言模型來(lái)響應(yīng)最終用戶，并與最終用戶進(jìn)行交互，從而改變業(yè)務(wù)運(yùn)營(yíng)方式。該模型必須經(jīng)過(guò)訓(xùn)練。這需要一個(gè)大型人工智能訓(xùn)練集群，許多 GPU 加速的服務(wù)器通過(guò)高速網(wǎng)絡(luò)連接。

這個(gè)人工智能訓(xùn)練集群帶來(lái)了許多新的挑戰(zhàn)：

• 網(wǎng)絡(luò)流量模式和流量特性發(fā)生了顯著變化，而傳統(tǒng) ECMP 表現(xiàn)不佳。

• AI 集群參考設(shè)計(jì)需要用于計(jì)算/ GPU 、存儲(chǔ)甚至帶內(nèi)管理的專用網(wǎng)絡(luò)。

• 網(wǎng)絡(luò)流量是異構(gòu)的，生成由 CPU 到 CPU 和 GPU 到 GPU 通信。

• 人工智能集群必須能夠適應(yīng)在一臺(tái)服務(wù)器上、多臺(tái)服務(wù)器上運(yùn)行作業(yè)，甚至是在一臺(tái)計(jì)算機(jī)上同時(shí)運(yùn)行多個(gè)作業(yè)。

• 網(wǎng)絡(luò)配置發(fā)生變化，參數(shù)可優(yōu)化 RoCE 和 GPU 直接通信。

• 人工智能作業(yè)必須在多次迭代中具有一致且可預(yù)測(cè)的作業(yè)完成時(shí)間。

• 具有更高帶寬交換機(jī)的新型扁平化拓?fù)洹?/p>

• 需要學(xué)習(xí)的新縮寫詞：CUDA、NVIDIA DOCA、BERT、LLM、DLRM 和 NCCL。

• 新的監(jiān)控工具：他們?nèi)绾沃?AI 和 NCCL 是否表現(xiàn)良好？

那么，什么是 NCCL？以下是教科書般的答案：

NVIDIA Collective Communication Library（NCCL）實(shí)現(xiàn)了針對(duì) NVIDIA GPU 和網(wǎng)絡(luò)優(yōu)化的多 GPU 和多節(jié)點(diǎn)通信原語(yǔ)。NCCL 提供了諸如 all-gather、all-reduce、broadcast、reduce 和 reduce-scatter 以及點(diǎn)對(duì)點(diǎn)發(fā)送和接收之類的例程，這些例程經(jīng)過(guò)優(yōu)化，可通過(guò)節(jié)點(diǎn)內(nèi)的 PCIe 和 NVLink 高速互連以及節(jié)點(diǎn)間的 NVIDIA 網(wǎng)絡(luò)實(shí)現(xiàn)高帶寬和低延遲。

資料來(lái)源：

NVIDIA Collective Communication Library (NCCL)

對(duì)于網(wǎng)絡(luò)管理員，NCCL 負(fù)責(zé)控制全新 AI 集群的流量模式。這意味著您需要針對(duì) NCCL 進(jìn)行優(yōu)化的網(wǎng)絡(luò)設(shè)計(jì)、針對(duì) NCCL 優(yōu)化的網(wǎng)絡(luò)監(jiān)控工具以及針對(duì) NCCL 優(yōu)化的以太網(wǎng)交換機(jī)。

NCCL 是實(shí)現(xiàn) AI 集群上運(yùn)行的工作負(fù)載的高性能、一致性和可預(yù)測(cè)性的關(guān)鍵。NCCL 也是一個(gè)交匯點(diǎn)：網(wǎng)絡(luò)管理員和數(shù)據(jù)科學(xué)家都必須講出并理解它。當(dāng)他們都能流利地講出它時(shí)，NCCL 可以成為這些具有不同所需技能的專業(yè)人士之間的共同語(yǔ)言。

鑒于 NCCL 的重要性，合適的網(wǎng)絡(luò)可以決定和突破 AI 集群的性能。人工智能集群有一些獨(dú)特的要求：

• 抗噪能力強(qiáng)

• 對(duì)故障具有彈性

• 導(dǎo)軌優(yōu)化拓?fù)?/p>

• 無(wú)損網(wǎng)絡(luò)轉(zhuǎn)發(fā)

• 性能隔離

• 無(wú)阻塞網(wǎng)絡(luò)架構(gòu)

那么，接下來(lái)是什么呢？

您的工作是防止網(wǎng)絡(luò)減緩人工智能集群的速度，但人工智能網(wǎng)絡(luò)需要什么？高帶寬、低延遲和高彈性是必要的，但還不夠。您將如何選擇合適的基礎(chǔ)設(shè)施？

• 基于產(chǎn)品手冊(cè)？并不完全。

• 根據(jù)供應(yīng)商告訴您的？有點(diǎn)冒險(xiǎn)，因?yàn)樗麄兿胭u給您一些東西。

• 基于數(shù)據(jù)科學(xué)家們所要求的？他們不是網(wǎng)絡(luò)專家，所以大多數(shù)人都不知道。

• 基于經(jīng)驗(yàn)豐富的網(wǎng)絡(luò)管理員的建議？很有可能他們認(rèn)為是 CPU，而不是 GPU，并且需求已經(jīng)發(fā)生了變化。

人工智能的網(wǎng)絡(luò)可能很難?！皼](méi)有人會(huì)因?yàn)橘?gòu)買 X 而被解雇”這句格言與摩爾定律一樣過(guò)時(shí)，因?yàn)槿斯ぶ悄艿?X 因素與通用計(jì)算不同。即使是擁有專門的人工智能工程團(tuán)隊(duì)來(lái)預(yù)先測(cè)試集群性能的大型 IT 供應(yīng)商，當(dāng)性能隨著更多用戶的添加和多個(gè)作業(yè)的同時(shí)運(yùn)行而急劇下降時(shí)，也會(huì)經(jīng)常感到驚訝。

保證人工智能集群性能的最佳方法是遵循 NVIDIA 發(fā)布的人工智能參考架構(gòu)之一，并使用具有人工智能可見(jiàn)性功能的基礎(chǔ)設(shè)施來(lái)驗(yàn)證您的人工智能集群的健康狀況和供給情況。

無(wú)論您的人工智能集群使用以太網(wǎng)還是 InfiniBand，NVIDIA 都會(huì)為您提供所需的工具、支持和培訓(xùn)，以使您成功并成為人工智能網(wǎng)絡(luò)專家。

掃描下方二維碼，查看更多有關(guān) NVIDIA 集合通信庫(kù)（NCCL）的信息。

?

更多精彩內(nèi)容 使用 NVIDIA Spectrum-X 網(wǎng)絡(luò)平臺(tái)加速生成式 AI 工作負(fù)載
使用 NVIDIA Cumulus Linux 實(shí)現(xiàn)數(shù)據(jù)中心網(wǎng)絡(luò)自動(dòng)化
借助 NVIDIA WJH 更快地診斷網(wǎng)絡(luò)問(wèn)題
COMPUTEX2023 | NVIDIA 推出面向超大規(guī)模生成式 AI 的加速以太網(wǎng)平臺(tái)