攻克大模型训练网络瓶颈,天翼云论文获ACM ICS顶会收录!

近日,由天翼云公有云事业部联合基础架构事业部所撰写的论文《CTCCL: Cost-Efficient Joint Device-Network Load Balancing for LLM Training in RoCE-based Intelligent Computing Network》被第39届ACM International Conference on Supercomputing 2025 (简称ICS)收录。这一成果不仅标志着天翼云在智算网络领域的技术突破获国际学术权威认可,更为天翼云智算集群、大模型训练平台等核心产品注入硬核技术支撑,推动AI算力效率与成本控制实现双重升级。

作为高性能计算领域的顶级盛会,ICS由美国计算机学会(ACM)主办,是中国计算机学会(CCF)推荐的国际重要会议,吸引了全球相关领域众多顶尖学者与产业专家参与。其论文接收率仅约23.32%,所有投稿均需经过严格的同行双盲评审,收录成果代表着当前领域的前沿创新方向。此次天翼云自研集合通信库相关研究的成功入选,是对天翼云技术创新能力的国际认可,彰显了中国云服务商在智算核心技术领域的全球竞争力。

CTCCL+DNLB端网协同方案,破解RoCE网络大模型训练痛点

随着大模型训练进入千亿参数时代,RoCE网络作为智算集群的关键基础设施,正面临"高负载下链路拥堵、大规模部署成本高企"的行业共性难题:现有负载均衡方案依赖自研网卡、交换机等定制硬件,推高中小集群部署门槛;适配性不足,在复杂组网或多任务场景下易出现故障断联,严重影响训练效率。

针对这些痛点,天翼云在论文中创新提出"Joint Device-Network Load Balancing (DNLB)端网协同负载均衡方案",并通过自研集合通信库CTCCL实现端到端落地,构建起"高性能、低成本、强兼容"的智算通信支撑体系。

基于CTCCL集合通信库的端网协同负载均衡方案

01 端网协同,双维度破解流量拥堵

**端侧精准控流:**CTCCL创新推出UDP源端口分段算法,基于不同节点RDMA网卡IP地址,为每个队列对(QP)分配唯一连续的UDP源端口,从源头降低哈希冲突,实现流量的"有序分流"。同时,CTCCL内置故障感知机制,可自动将故障链路流量重分配至正常QP,无需人工干预,保障训练不中断。

**网侧简单配置:**仅需在Leaf交换机配置简单的ACL+PBR规则,即可将不同端口段流量均匀映射至不同上行链路,以"无额外硬件投入"的低成本方式实现负载均衡,实现流量的"精准路由"。

02 强兼容性适配多元场景

该方案无需依赖特定硬件,支持单轨/多轨GPU集群,对并发任务数量无限制,可灵活适配从中小集群到大规模智算中心的多样场景,大幅降低技术落地门槛。

03 实测验证:效率与稳定性双重突破

在真实智算集群测试中,基于CTCCL的DNLB方案性能优势显著。相比传统NCCL和ECMP方案,AllReduce峰值带宽从16.1GB/s提升至22.6GB/s,集合通信效率提升40%,大模型训练效率提升7%,端口负载方差从92.22降至0.06,彻底解决了链路拥堵问题。即便遭遇网络故障,流量也可快速重分配,负载均衡度仍保持在95%以上,确保训练全程无卡顿。

凭借硬核技术突破,天翼云在提升AI算力效率的同时显著降低TCO,实现从"解决痛点"到"加速创新"的跨越。未来,天翼云将持续加强关键核心技术自主攻关,优化智能计算的效率与成本,构建更稳定、高效、普惠的智算基础设施,赋能千行百业数字化转型,为数字经济高质量发展注入澎湃动能。

相关推荐
智联视频超融合平台12 小时前
视频 AI 的误报之战,正在从调参数卷到改架构
人工智能·大模型·边缘计算·视频监控·安防
谙弆悕博士1 天前
多智能体架构详解:层级树状架构(分级主从型)
运维·架构·大模型·agent·多智能体·langgraph·层级树状
Chuck.li1 天前
AI 长篇创作工具选型:工作流对照与自测清单
人工智能·大模型·ai写作·网文作者·ai网文·豆包写作
谙弆悕博士1 天前
多智能体架构详解:黑板共享架构(共享存储交互型)
人工智能·架构·大模型·agent·多智能体·黑板架构·anggraph
学无止境小袁同学1 天前
OpenAI Agents SDK 模板操作手册(可直接操作)
大模型·openai·agent·sdk·大模型应用
九卷2 天前
本体(Ontology)是什么?在 AI 中,本体的作用到底是什么?.md
大模型·agent
佛系1892 天前
从服务端日志精确分离搜索抓取、监控探测与真实流量的实操清单
ai·大模型·seo·geo·结构化数据·indexnow
MSTcheng.2 天前
【AI应用实战】用 FastAPI + SSE 做一个自己的 AI 聊天网页:流式输出、多轮对话与完整源码
人工智能·python·大模型·fastapi·sse·ai聊天助手
LiaoWL1232 天前
从零搭一个 RAG 知识库(二):换上语义 Embedding——BGE 实测与阈值重校准
python·大模型·numpy·embedding·向量检索·rag
小七-七牛开发者4 天前
PACE:代码通过率从 42% 到 97%, 让长程 Agent 在有限 KV Cache 下用好历史 Token
大模型·claude·token·工作流·长程agent