概述
InfiniBand 是一種高速、低延遲互連，可連結 AI 叢集中的伺服器和 GPU，而 RDMA 則允許一台機器在不涉及 CPU 的情況下讀取或寫入另一台機器的記憶體。它們共同構成了在大型模型訓練期間為數千個 GPU 提供資料的管道。
InfiniBand 和 RDMA 網路是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
當您在數千個 GPU 上訓練模型時，網路通常會成為瓶頸，而不是晶片。 InfiniBand 是專門為此構建的交換結構：它提供每秒數百吉比特的每鏈路頻寬（NDR 以 400 Gb/s 的速度運行）和微秒級的延遲。其關鍵技巧是遠端直接記憶體存取 (RDMA)，它可以直接在兩個節點的記憶體之間移動數據，繞過會降低普通 TCP/IP 速度的作業系統核心和 CPU 副本。這種「核心旁路」可以釋放 CPU 週期並減少延遲。 InfiniBand 也為無損結構提供硬體流控制，NVIDIA 的 Quantum 交換器和 ConnectX 轉接器在 AI 超級電腦中佔據主導地位。 RoCE（融合乙太網路上的 RDMA）為乙太網路帶來了類似的 RDMA 優勢。
技術洞察
RDMA 透過動詞和佇列對工作。應用程式將工作請求發佈到發送和接收佇列；網路介面卡（HCA）讀取它們並將資料直接傳輸到遠端主機上預先註冊的固定記憶體區域。由於 NIC 在硬體中處理傳輸並且作業系統核心被繞過，因此批量傳輸的資料副本為零，並且沒有每個資料包的 CPU 中斷。 InfiniBand 的連結層基於信用的流量控制可防止緩衝區溢出，從而使結構無損，不會出現重傳風暴。
掌握 InfiniBand 和 RDMA 網絡
InfiniBand 是一種高速、低延遲互連，可連結 AI 叢集中的伺服器和 GPU，而 RDMA 則允許一台機器在不涉及 CPU 的情況下讀取或寫入另一台機器的記憶體。它們共同構成了在大型模型訓練期間為數千個 GPU 提供資料的管道。 InfiniBand 和 RDMA 網路是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了加深理解，請將 InfiniBand 和 RDMA 網路視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 InfiniBand 和 RDMA 網路的強大團隊根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
在人工智慧超級電腦中連接數千個 GPU，以便梯度資料在分散式訓練期間以微秒的速度在節點之間移動
讓一台伺服器直接讀取另一台伺服器的記憶體 (RDMA) 以加速分散式檔案系統和資料庫，而無需 CPU 開銷
透過 InfiniBand 運行 NCCL all-reduce 操作以跨 GPU 叢集同步模型權重
使用 RoCE 將 RDMA 式低延遲傳輸引入現有乙太網路資料中心網絡
實施模式
InfiniBand 和 RDMA 網路實踐
在人工智慧超級電腦中連接數千個 GPU，以便梯度資料在分散式訓練期間以微秒的速度在節點之間移動。
在人工智慧超級電腦中連接數千個 GPU，以便在分散式訓練期間梯度資料以微秒的速度在節點之間移動。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
InfiniBand 和 RDMA 網路實踐
讓一台伺服器直接讀取另一台伺服器的記憶體 (RDMA)，以加速分散式檔案系統和資料庫，而無需 CPU 開銷。
讓一台伺服器直接讀取另一台伺服器的記憶體 (RDMA) 以加速分散式檔案系統和資料庫，而無需 CPU 開銷 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
InfiniBand 和 RDMA 網路實踐
透過 InfiniBand 運行 NCCL all-reduce 操作，以跨 GPU 叢集同步模型權重。
透過 InfiniBand 運行 NCCL all-reduce 操作以同步 GPU 叢集中的模型權重 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
InfiniBand 和 RDMA 網路實踐
使用 RoCE 將 RDMA 式低延遲傳輸引入現有乙太網路資料中心網路。
使用 RoCE 將 RDMA 式低延遲傳輸引入現有乙太網路資料中心網路 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。