NVIDIA声称Spectrum-X以太网可将AI训练性能提升并抵御多租户干扰
NVIDIA技术博客发文，详述其Spectrum-X以太网架构如何针对大规模AI训练优化，声称相比传统以太网，在性能、故障恢复和多租户隔离方面均有显著提升。
AI解读：大规模AI训练需要成千上万块GPU高效协同，传统以太网处理这类同步流量时，极易因拥塞导致部分GPU空闲，拖慢整体训练。NVIDIA此次抛出的Spectrum-X以太网方案，核心是把网络控制从软件搬到硬件，让交换机、网卡能实时感知并绕开故障或拥堵链路。博客引用DeepSeek-V3模拟数据称，当有其他任务占用带宽时，传统以太网单步训练时间从0.735秒涨到1.18秒，而Spectrum-X始终稳定在0.668秒。文中还提到，遇到单条光纤故障时，Spectrum-X能硬件级在不到3毫秒内把流量切换到其余链路，甚至能保留75%的带宽。对正在建设或扩展AI集群的公司来说，如果该架构效果属实，意味着未来选择网络设备时，需要把故障恢复速度和多租户隔离能力纳入关键指标，而不是只比较带宽大小。不过，这次发布是NVIDIA的官方技术博客，数据多来源于其自身或合作方的模拟环境，效果还缺少大规模独立部署的第三方验证。对于多数普通企业，目前只需留意这一技术趋势，不必急于行动。
NVIDIA技术博客发布文章，介绍其面向AI数据中心设计的Spectrum-X以太网架构。文章称，该架构通过硬件加速的路由、拥塞控制与负载均衡，应对生成式AI大规模分布式训练对网络的特殊需求，并引用DeepSeek-V3训练模拟及多项基准测试，展示其相比传统以太网在性能、故障恢复和多租户隔离上的优势。
作者Elizabeth Goodman在文章中解释，传统以太网基于ECMP静态哈希路由，适合高熵的普通数据中心流量，但面对AI训练中低熵、大规模同步通信（如All-Reduce、All-Gather）时，容易出现哈希冲突、拥塞扩散和流量不均。此外，多租户环境下，相邻任务的流量可能干扰当前训练，导致All-to-All集合通信带宽下降超80%。
Spectrum-X以太网解决AI训练流量问题的三大机制
文章指出，Spectrum-X以太网通过三个硬件加速的控制回路来应对上述挑战：交换机内部的每包自适应路由（AR）、基于ECN标记的目标拥塞控制（CC），以及网卡（SuperNIC）中的平面负载均衡器（PLB）。
AR机制利用量化最短队列算法，每包动态选择拥塞最轻的端口，响应时间在数百纳秒级别。CC机制仅在自适应路由无法缓解端点拥塞时，通过ECN标记和RTT探测调整发送速率，避免对微突发流量过度反应。PLB则以每个目标GPU的每个物理平面为单位维护拥塞状态，发送前过滤掉拥塞或故障的平面，再从剩余健康平面中选择本地队列最短的那个，将流量平均分摊到多个网路平面上。
传统以太网在AI工作负载下的性能局限
技术博客用DeepSeek-V3训练模拟来展示传统以太网在多租户场景下的弱点。模拟中，当没有背景噪声流量时，标准以太网单步训练时间为735毫秒；加入噪声后，该时间膨胀至1.18秒，相当于1.6倍减速。相比之下，Spectrum-X以太网在类似条件下，无论有无噪声，单步训练时间均稳定在668毫秒。
此外，在RDMA bisection基准测试中，NVIDIA称传统以太网因静态ECMP路由哈希冲突，部分GPU对的吞吐量降至25 Gbps，而Spectrum-X以太网能维持所有GPU对98%的线速；75%负载下，传统以太网P99尾延迟达22微秒，Spectrum-X维持在8至9微秒。
Multiplane拓扑与PLB的故障恢复能力
为了扩展到数十万GPU，现代AI数据中心常采用Multiplane拓扑，将单个NIC的800 Gbps带宽切分为多个200 Gbps的独立平面，构建浅层二层胖树结构。文章称，传统方法（如纯随机报文喷洒）在平面出现物理故障或链路抖动时表现不佳，因为流量仍会均衡加载到已降级的平面，导致整体性能被拖累。
Spectrum-X的PLB硬件在SuperNIC内实现状态化的两阶段选择，能够隔离故障平面。文中举例说，多层网络中若某一平面出现20%的交换机间连接故障，传统以太网的所有平面都会降至80%容量，而Spectrum-X能动态绕开故障区域，使其余健康平面保持100%容量，最终All-to-All带宽高1.2倍。
在链路抖动恢复测试中，传统以太网软件负载均衡器需要约1.08秒才能恢复，而Spectrum-X的硬件PLB只需2.68毫秒，相差约400倍。对于单条光纤故障（如某平面容量减半），PLB能在3毫秒内将流量重新映射到剩余健康平面，保留可用带宽的75%。
在部分网络故障下的性能表现
文章强调，传统以太网在10%的叶上行链路失效时，由于路由不对称，集合通信带宽可能崩溃超过50%；而Spectrum-X以太网据称在10%链路故障下，带宽仅按比例降低11%，尾延迟仅增加7%，确保训练性能与物理连接损失成比例。这种能力有助于在基础设施未完全修复时，仍能高效运行训练任务，减少停机时间。