《达摩院2023十大科技趋势》——产业革新——端网融合的可预期网络

本文涉及的产品
模型训练 PAI-DLC,100CU*H 3个月
模型在线服务 PAI-EAS,A10/V100等 500元 1个月
交互式建模 PAI-DSW,每月250计算时 3个月
简介: 《达摩院2023十大科技趋势》——产业革新——端网融合的可预期网络

趋势六、端网融合的可预期网络


基于云定义的可预期网络技术,即将从数据中心的局域应用走 向全网推广。


摘要


可预期网络(Predictable Fabric)是 由云计算定义,服务器端侧和网络协同 的高性能网络互联系统。计算体系和网 络体系正在相互融合,高性能网络互联 使能算力集群的规模扩展,从而形成了 大算力资源池,加速了算力普惠化,让 算力走向大规模产业应用。可预期网络 不仅支持新兴的大算力和高性能计算场 景,也适用于通用计算场景,是融合了 传统网络和未来网络的产业趋势。通过 云定义的协议、软件、芯片、硬件、架构、 平台的全栈创新,可预期高算力网络有 望颠覆目前基于传统互联网 TCP 协议的 技术体系,成为下一代数据中心网络的 基本特征,并从数据中心的局域应用走 向全网推广。


image.png

趋势解读


可预 期 网 络(Predictable Fabric) 是由云计算定义,服务器端侧和 网络协同的高性能网络互联系统。计算 体系和网络体系正在相互融合,它通过高 性能网络互联使能算力集群的规模扩展, 从而形成大算力资源池,加速了算力普惠 化,让算力走向大规模产业应用。可预期 网络不仅支持新兴的大算力和高性能计 算场景,也适用于通用计算场景,是融合 了传统网络和未来网络的产业趋势。


网络的本质是连接。高带宽、低时 延、高稳定性、少抖动一直是网络追求 的目标。传统 TCP 网络协议栈,虽然在 互联网中广泛部署和应用,但是 TCP 协 议栈诞生时期的网络带宽和质量已经无 法与如今大带宽高质量的数据中心网络 相提并论。端侧和网络分层解耦,基于 网络黑盒传统尽力而为(best-effort)的 网络体系结构,无法满足当今大算力池 化所需要的高性能网络互联需求。因此, “可预期的”高性能网络架构在大算力需 求驱动下应运而生。这对于传统基于“尽 力而为”的网络体系提出了新的挑战。


可预期网络以大算力为基本出发点, 把端网融合作为实现方式。可预期网络 摒弃传统端侧计算、存储和网络分层解 耦的架构,创新地采用端侧和网络侧协 同设计和深度融合的思路,构建了基于 端网融合的新型网络传输协议、拥塞控 制算法、多路径智能化调度、以及芯片、 硬件深度定制和卸载等技术的全新算网 体系。可预期网络能够大幅度提升分布 式并行计算的网络通信效率,从而构建 高效的算力资源池,实现了云上大算力 的弹性供给。云计算重新定义的可预期 网络技术体系,将对产业链上下游、芯 片技术演进产生深远影响,成为算力普 惠化的新范式。


算力网络的发展正在经历从 0 到 1 的过程,需要互联网科技公司和运营商 共同定义。如果将算力网络作为未来的 关键基础设施,它将对网络可预期性提 出更高的要求。数字化社会下的算力普 惠,将持续驱动数据中心网络向高性能、 资源池化的云计算方向发展,这将使网 络可预期技术在未来2-3年内发生质变, 逐渐成为主流技术趋势。


专家点评


过去十年,网络行业发生最大的变革是互联网公司在超大规模需求驱动下,重新定义了网络系统:以软件为中心 的设备白盒替代了传统协议为中心的经典网络。未来十年,在大规模算力需求驱动下,云计算将重新定义下一代 高性能网络系统,端网融合架构已经开始触发网络的生态变革,集计算和网络于一体的 DPU 芯片更是雨后春笋般 出现,势将推动整个网络向可预期方向演进。


蔡德忠

阿里云智能副总裁兼首席网络科学家

相关文章
|
6月前
|
机器学习/深度学习 自然语言处理 数据可视化
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
本文探讨了在企业数字化转型中,大型概念模型(LCMs)与图神经网络结合处理非结构化文本数据的技术方案。LCMs突破传统词汇级处理局限,以概念级语义理解为核心,增强情感分析、实体识别和主题建模能力。通过构建基于LangGraph的混合符号-语义处理管道,整合符号方法的结构化优势与语义方法的理解深度,实现精准的文本分析。具体应用中,该架构通过预处理、图构建、嵌入生成及GNN推理等模块,完成客户反馈的情感分类与主题聚类。最终,LangGraph工作流编排确保各模块高效协作,为企业提供可解释性强、业务价值高的分析结果。此技术融合为挖掘非结构化数据价值、支持数据驱动决策提供了创新路径。
391 6
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
|
4月前
|
机器学习/深度学习 数据采集 算法
贝叶斯状态空间神经网络:融合概率推理和状态空间实现高精度预测和可解释性
本文将BSSNN扩展至反向推理任务,即预测X∣y,这种设计使得模型不仅能够预测结果,还能够探索特定结果对应的输入特征组合。在二元分类任务中,这种反向推理能力有助于识别导致正负类结果的关键因素,从而显著提升模型的可解释性和决策支持能力。
373 42
贝叶斯状态空间神经网络:融合概率推理和状态空间实现高精度预测和可解释性
|
9月前
|
编解码 异构计算
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
616 10
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
|
9月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
334 3
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
|
9月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
482 62
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
|
8月前
|
存储 人工智能 运维
超大规模云网络技术新突破!阿里云斩获中国自动化学会科技进步一等奖
超大规模云网络技术新突破!阿里云斩获中国自动化学会科技进步一等奖
359 60
|
8月前
|
机器学习/深度学习 测试技术 网络架构
FANformer:融合傅里叶分析网络的大语言模型基础架构
近期大语言模型(LLM)的基准测试结果显示,OpenAI的GPT-4.5在某些关键评测中表现不如规模较小的模型,如DeepSeek-V3。这引发了对现有LLM架构扩展性的思考。研究人员提出了FANformer架构,通过将傅里叶分析网络整合到Transformer的注意力机制中,显著提升了模型性能。实验表明,FANformer在处理周期性模式和数学推理任务上表现出色,仅用较少参数和训练数据即可超越传统Transformer。这一创新为解决LLM扩展性挑战提供了新方向。
219 5
FANformer:融合傅里叶分析网络的大语言模型基础架构
|
9月前
|
机器学习/深度学习 编解码 计算机视觉
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
464 10
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
|
9月前
|
人工智能 监控 物联网
写在2025 MWC前夕:AI与移动网络融合的“奇点时刻”
2025年MWC前夕,AI与移动网络融合迎来“奇点时刻”。上海东方医院通过“思维链提示”快速诊断罕见病,某金融机构借助AI识别新型欺诈模式,均展示了AI在推理和学习上的飞跃。5G-A时代,低时延、大带宽特性支持端云协同,推动多模态AI感知能力提升,数字孪生技术打通物理与数字世界,助力各行业智能化转型。AI赋能移动网络,实现智能动态节能和优化用户体验,预示着更聪明、绿色、高效的未来。
162 1
|
8月前
|
负载均衡 数据中心 芯片
NSDI'24 | 阿里云飞天洛神云网络论文解读——《LuoShen》揭秘新型融合网关 洛神云网关
NSDI'24 | 阿里云飞天洛神云网络论文解读——《LuoShen》揭秘新型融合网关 洛神云网关
261 0

热门文章

最新文章