聯(lián)想提出RNL技術(shù)，通過多維感知等解決AI訓練中的難題

11月28日晚間消息，近日，聯(lián)想萬全異構(gòu)智算研發(fā)團隊的論文被IEEE CyberSciTech 2025大會接收，并即將收錄于IEEE DL和EI Indexed。此次聯(lián)想提出了一項創(chuàng)新性的RNL技術(shù)，通過多維感知、路徑負載均衡優(yōu)化與增量流量遷移，有效解決了AI訓練與推理場景中RoCE網(wǎng)絡(luò)負載均衡的長期難題。

隨著大語言模型參數(shù)規(guī)模爆發(fā)式增長，AI集群規(guī)模不斷擴大，RoCEv2（RDMA over Converged Ethernet v2）已成為AI網(wǎng)絡(luò)的主流協(xié)議。然而，AI訓練與推理基于通信原語（如all-gather、all-reduce）進行數(shù)據(jù)傳輸，這種模式容易導致網(wǎng)絡(luò)流量呈現(xiàn)“低熵、大象流”特征，極易引發(fā)負載不均和鏈路擁塞，嚴重制約帶寬利用率與整體性能。

聯(lián)想方面表示，針對上述痛點，團隊提出了RNL技術(shù)，可以構(gòu)建“多維感知+路徑負載均衡+增量遷移”閉環(huán)體系，兼具算法創(chuàng)新與實用價值：首先是多維感知機制，可以實時感知網(wǎng)絡(luò)拓撲結(jié)構(gòu)、AI任務(wù)網(wǎng)絡(luò)需求及RoCE鏈路負載狀態(tài)，為動態(tài)調(diào)度提供數(shù)據(jù)基礎(chǔ)。其次是路徑負載均衡優(yōu)化，通過虛擬-物理網(wǎng)絡(luò)映射與路徑評分算法，智能選擇最優(yōu)數(shù)據(jù)傳輸路徑，最大化帶寬利用率。第三是增量流量遷移，該技術(shù)采用增量遷移策略，在鏈路流量調(diào)整時避免瞬時延遲，確保業(yè)務(wù)連續(xù)性。

未來，聯(lián)想計劃將RNL技術(shù)擴展至高性能存儲、HPC等場景，并引入深度學習算法優(yōu)化擁塞預(yù)測能力。同時，聯(lián)想將在千卡、萬卡節(jié)點的大型AI集群中驗證其綜合性能，持續(xù)推動AI網(wǎng)絡(luò)技術(shù)的創(chuàng)新與迭代。