人工智能计算数据中心横向扩展（Scale-out）网络技术要求标准立项发展报告

人工智能计算数据中心横向扩展（Scale-out）网络技术要求标准立项发展报告StandardizationDevelopmentReport:TechnicalRequirementsforScale-outNetworksinArtificialIntelligenceComputingDataCenters摘要随着人工智能技术的飞速发展，特别是大模型训练和推理对算力需求的指数级增长，传统数据中心网络架构已难以满足大规模分布式计算的性能要求。计算数据中心横向扩展（Scale-out）网络作为支撑AI集群高效运行的核心基础设施，其标准化工作迫在眉睫。本报告基于行业标准YD/T6960-2026《人工智能计算数据中心横向扩展（Scale-out）网络技术要求》的立项背景，深入分析了当前AI算力网络面临的技术挑战，如高带宽、低时延、无损传输及大规模拓扑组网等。报告详细阐述了该标准的编制目的、核心内容框架，并介绍了主导编制单位之一——中国信息通信研究院及其在通信与计算融合领域的深厚积累。报告指出，该标准的制定将填补国内在AIScale-out网络技术规范领域的空白，为数据中心网络规划、设备研发、系统集成及运维管理提供权威依据。展望未来，随着技术迭代与应用深化，该标准将为构建高效、开放、智能的算力基础设施生态奠定坚实基础。关键词：人工智能；计算数据中心；横向扩展网络；网络技术要求；高速互联；无损网络；标准化发展EnglishKeywords：ArtificialIntelligence;ComputingDataCenter;Scale-outNetwork;NetworkTechnicalRequirements;High-speedInterconnect;LosslessNetwork;StandardizationDevelopment正文1.引言在数字经济时代，人工智能被普遍认为是引领新一轮科技革命和产业变革的关键技术。特别是以GPT、BERT等为代表的大规模预训练模型，其参数规模和训练数据量已突破万亿级别，对底层算力基础设施提出了前所未有的挑战。传统的纵向扩展（Scale-up）模式，即通过提升单机性能来应对算力需求，在性价比、功耗及物理极限方面已遭遇瓶颈。因此，采用多节点并行训练的横向扩展（Scale-out）模式成为主流。Scale-out网络，即连接AI集群中成千上万个计算节点（如GPU服务器、AI加速卡服务器）的互联网络，是支撑分布式训练高效运行的关键。“算力”的发挥，很大程度上取决于“网络”的优劣。当前，业界普遍采用基于高速以太网或InfiniBand等技术的Scale-out网络，但技术路线多样，缺乏统一的技术要求和评测规范，导致不同厂商产品之间互联互通性差、系统整体性能难以保证。在此背景下，制定《人工智能计算数据中心横向扩展（Scale-out）网络技术要求》行业标准（标准编号：YD/T6960-2026）显得尤为必要。该标准由中国通信标准化协会（CCSA）归口管理，是邮电通信领域的行业标准，旨在规范AI计算数据中心Scale-out网络的技术架构、关键性能指标、协议兼容性及管理接口等，引导产业链健康有序发展。2.标准制定背景与意义2.1技术发展驱动力自2020年以来，AI模型规模以每年10倍以上的速度增长，单次训练的计算量动辄达到千万亿次（PFLOPS-day）。例如，训练一个万亿参数的模型，若使用单卡GPU，耗时数年不可接受。通过千卡、万卡甚至更大规模的GPU集群并行训练，成为唯一可行的路径。这种大规模并行训练对网络提出三大核心诉求：1.高带宽：通信数据量巨大，模型参数、梯度等同步操作消耗海量带宽。单GPU卡对网卡带宽需求从25Gbps迅速提升至100Gbps、200Gbps乃至400Gbps/800Gbps。2.超低时延：分布式训练采用同步或异步的All-Reduce、All-to-All等通信模式，网络时延直接影响训练效率。微秒级的时延增加，将导致GPU等待，造成巨大的算力浪费。3.无损与零丢包：传统的以太网TCP/IP协议在丢包后重传机制会引入毫秒级甚至秒级延迟，严重破坏训练效率。因此，基于RoCEv2（RDMAoverConvergedEthernetversion2）等无损网络技术成为主流，要求网络实现零丢包传输。2.2产业现状与标准化需求当前，市场主流方案包括：-InfiniBand：以高性能著称，但生态封闭，成本高昂，存在供应链风险。-RoCEv2+高速以太网：开放、成本可控、生态丰富，逐渐成为多数互联网和AI企业的首选。但不同厂商的交换芯片、网卡、光模块在实现RDMA拥塞控制、PFC流控等方面的细节差异，导致跨厂商组网性能不稳定，甚至无法兼容。目前，国内缺乏针对AIScale-out网络系统的统一技术要求标准。各企业自行定义组网规范，导致产品选型困难、验收标准缺失、跨厂商故障定位困难。因此，亟需制定一项权威标准，明确AIScale-out网络在拓扑、性能、协议、管理等方面的最低技术要求，统一行业共识，降低用户使用门槛，提升国产化设备竞争力。2.3法规与政策支撑3.标准主要内容与技术框架YD/T6960-2026规定了人工智能计算数据中心用于承担分布式AI训练/推理任务的Scale-out网络的总体技术要求。标准内容涵盖以下几个核心方面：3.1网络拓扑架构标准对不同规模的AI集群提出了推荐的网络拓扑结构，包括：-Fat-Tree（胖树）：适用于中等规模集群，实现非阻塞或过用比可控的通信。-Dragonfly+/3DTorus：适用于超大规模（万卡级）集群，优化全局一跳（hop）性能，降低组件成本。-分层级组网要求：明确Spine层、Leaf层、超Spine层的端口速率、间距、冗余要求。3.2关键性能指标标准定义了AI训练场景下网络的关键性能基准：-最大有效带宽利用率：定义在大规模All-Reduce操作下的实际带宽利用率，要求≥95%（特定大小数据包）。-端到端时延：定义GPU到GPU的通信时延，包括网卡、光模块、交换机SerDes、FEC（前向纠错）等各部分时延预算。-丢包率：在100%线速负载下，要求不超过1×10⁻¹²（极低丢包率）。-拥塞控制效率：定义PFC及ECN（显式拥塞通知）的响应时间及稳定状态下的队列深度。3.3无损网络协议要求-RoCEv2支持：强制要求设备支持RoCEv2协议栈（IBBTH+UDP+IP+L2），并支持基于DCQCN（DataCenterQuantizedCongestionNotification）或类似机制的拥塞控制算法。-PFC（优先级流控）：规定PFC的配置策略、风暴抑制、死锁防护要求，避免因流控导致网络振荡。-QoS与流量调度：定义对不同类型流量（如All-Reduce、参数同步、管理流量）的分类及优先级调度机制。3.4网络管理与运维-可视化：要求支持实时采集GPU与网卡之间的通信矩阵、带宽占用、拥塞队列深度等信息。-自动化：定义AI训练Job级联的网络资源动态分配与释放接口。-故障诊断：提供针对RoCEv2会话的统计信息，便于快速定位“慢节点”或“慢链路”。3.5环境适应性及可靠性-电源冗余：支持独立的电源模块，支持热插拔。-散热与功耗：满足典型数据中心环境温度（5℃~45℃）及湿度的要求，并给出单位性能功耗比指标建议。4.主要参与单位介绍：中国信息通信研究院在本标准（YD/T6960-2026）的编制过程中，中国信息通信研究院（简称“中国信通院”）发挥了核心主导作用，是该标准的主要起草单位之一，负责整体技术框架的制定、关键技术指标的论证以及标准草案的编写。中国信息通信研究院始建于1957年，是工业和信息化部直属的科研事业单位，是国家在信息通信领域最重要的支撑单位。经过六十余年发展，中国信通院已成为国际知名的信息通信与数字技术研究机构，在行业标准制定、政策研究、测试认证、产业生态建设等方面具有深厚的积累。在该标准领域的专业贡献包括：1.技术洞察与顶层设计：中国信通院云计算与大数据研究所长期跟踪全球AI基础设施的发展趋势。早在2021年，该院即启动了面向AI大规模集群的“智算中心网络”专项研究，发布了多份白皮书（如《智算中心网络技术白皮书》），深入剖析了Scale-out网络与普通数据中心网络的差异，为本标准的技术方向奠定了理论先导。2.测试验证与产业协同：依托其建设的国家级“算力并网”及“数据中心网络”测试验证平台，中国信通院组织开展了面向主流交换芯片（如Marvell、博通、盛科、华为等）及计算芯片（如NVIDIA、华为昇腾、寒武纪等）的Scale-out网络互联互通测试。测试中发现并定义了多项关键问题（如不同RoCEv2拥塞控制算法的兼容性、PFC死锁的触发条件等），并将部分测试项转化为了标准中的规范性要求。3.标准生态的构建者：中国信通院牵头成立了“智算网络技术工作组”等产业平台，联合华为、中兴、新华三、锐捷网络、字节跳动、百度等数十家产业链上下游企业，共同推动标准的研讨、验证和落地。其具备的国际标准话语权（如ITU-T、IETF、IEEE等），也确保了本标准具备国际先进水平，并能为中国技术走向国际预留接口。通过上述工作，中国信通院确保了YD/T6960-2026标准既具有前瞻性、技术先进性，又具备切实的可操作性和产业共识基础。5.结论与展望《人工智能计算数据中心横向扩展（Scale-out）网络技术要求》（YD/T6960-2026）的发布，标志着我国在构建AI算力基础设施标准体系方面迈出了坚实一步。该标准系统性地解决了当前AI大模型训练场景下网络建设所面临的性能、兼容性、运维等方面的共性问题，为面向AI的计算数据中心提供了权威的组网指南。标准核心价值：1.提升AI算力利用率：通过明确高带宽、低时延、无损网络的具体指标，指导网络建设，最大化发挥GPU算力。2.促进产业开放与竞争：统一技术要求有利于降低不同厂商设备间的互联互通门槛，打破封闭生态，促进良性竞争，降低用户成本。3.保障供应链安全：鼓励符合标准的国产交换、光模块、网卡等产品研发，有助于构建自主可控的AI算力产业链。未来发展展望：可以预见，随着标准在2026年9月1日正式实施，将吸引更多企业采纳，逐步形成以YD/T6960-2026为核心的“智算网络”产品认证体系。未来，该标准将面临持续的演进需求：-面向超万卡集群的演进：随着网络规模扩展到十万卡级，对网络拓扑的物理距离、光电混合互联、新型拥塞控制算法将提出更高要求，标准需要迭代更新。-