如今人工智能（AI）和大模型训练的蓬勃发展，大规模AI算力集群（智算集群）已成为关键基础设施。这类集群对网络性能，特别是高吞吐、低延迟和无损特性有着严苛要求，RoCE因此被广泛应用。然而，在支撑智算集群的主流Clos组网架构下，传统的ECMP路由机制存在天然的局限性，容易引发哈希极化问题，成为制约集群整体性能的瓶颈。本文将探讨哈希极化的成因、影响，并介绍一种通过主动路径规划（PPD）来优化网络配置、提升性能的解决方案。

应对智算集群哈希极化：主动路径规划（PPD）配置方案

在支撑大规模AI算力（智算）集群的网络架构中，Clos架构因其高扩展性和冗余性被广泛采用。在此架构下，各交换节点基于常规的ECMP（等价多路径）路由机制（分布式运行、自我决策转发）运行时，往往难以充分感知全局网络状态。这一局限容易导致在多层组网中出现哈希（HASH）极化现象，即流量分布严重不均。这种不均衡会显著拖慢智算集群的整体性能，成为规模化部署的痛点。

什么是哈希极化？

哈希极化（也称哈希不均），其根本原因在于哈希算法的一致性与网络拓扑结构及流量模式特性之间的复杂相互作用。

算法一致性： 网络设备（交换机和路由器）通常使用相同或高度相似的哈希算法，并基于标准输入参数（如五元组：源/目的IP、源/目的端口、协议）进行路径选择。
流量特征集中： 当网络中大量数据流具有相似特征（例如，大量流共享相同的源IP或目的IP），而这些特征恰好是哈希算法的主要输入时，这些相似的流就极有可能被哈希到相同的路径上，而非均匀分布到所有等价路径。
多层叠加效应： 在多层Clos架构（如Leaf-Spine）中，流量需要穿越多个ECMP层。例如，在Leaf层被初步“打散”的流量，经过Spine层转发时，可能因相同的哈希逻辑再次被集中到更少量的下行链路上，加剧极化现象。
大流主导： 流量模式本身由少数大流量（Elephant Flows）主导时，也会显著放大哈希极化的负面影响。

主动路径规划配置逻辑

在不引入复杂动态负载均衡技术的前提下，我们可以通过增加参与哈希计算的因子以及主动规划流量路径的策略，来有效应对AI算力集群规模化部署中的负载均衡和租户隔离等挑战。这种主动路径规划需要网络工程师在RoCE交换机上配置以下转发策略：

1. Leaf层上行流量策略路由：智算服务器每张网卡对应一个Leaf交换机下行接口，服务器产生的、需要跨Spine传输的上行流量，由Leaf交换机基于策略路由判定并转发给指定的Spine交换机。端口映射规则：

1:1无收敛： Leaf交换机的每个下行端口绑定一个固定的上行端口（连接Spine）。
n:1收敛：下行端口与上行端口按倍数关系（向上取整）形成n:1的映射，确保流量按规划路径上行。

2. Spine层标准L3转发：

跨Spine的上行流量在Spine层按照标准的三层路由逻辑进行转发。
设计考量：在典型的智算“轨道”（POD）组网中，大部分流量局限于轨道内部传输，跨轨道流量比例较小。因此，网络方案可优先解决Leaf层极化问题，Spine层拥塞风险暂不作为主要考量。

3. Leaf层下行流量默认路由：跨Spine的下行流量到达Leaf交换机后，依据默认路由表进行转发。3

然而，完全依赖手动命令行方式将上述复杂的配置逻辑下发到集群所有交换机上，不仅操作极其繁琐耗时，还极易引入配置错误，增加运维风险和成本。

借助 EasyRoCE PPD 工具简化配置

为加速智算场景下的路由优化配置，我们此前推出了 PPD工具（主动路径规划器，Proactive Path Definer）的1.0版本。经过实践验证和持续优化，PPD现已升级至功能更强大、操作更便捷的2.0版本。作为EasyRoCE工具套件的核心组件之一，PPD 2.0可独立运行于服务器，也能以代码形式集成到第三方管理平台中。其主要运行流程如下：

1. 读取网络配置：自动从 AID工具（AI基础设施蓝图规划器，AI Infrastructure Descriptor）中获取网络基础配置信息。
2. 生成路由配置：运行PPD工具，依据预设的主动路径规划逻辑，自动生成所需的交换机路由配置文件。
3. 审核与下发：生成的配置文件自动呈现在 UG工具（统一监控面板，Unified Glancer）中。管理员可在线核对配置详情，确认无误后一键批量下发至目标设备。

EasyRoCE Toolkit 简介：

星融元EasyRoCE Toolkit基于开源、开放的网络架构与技术，专为AI智算、超算等场景的RoCE网络设计，提供一键配置RoCE、高精度流量监控、主动路径规划（PPD）等一系列实用特性与工具，显著简化高性能网络部署与管理。所有功能对签约客户免费开放。