本文依舊是一篇對大佬文章的解讀：
渣B，公眾號：zartbot
談談RDMA和ScaleUP的可靠傳輸
本文所講的ScaleOUT和ScaleUP中的兩種技術，分別是ScaleOUT的RDMA和ScaleUP的乙太網路技術堆疊。
一、RDMA：從無損到有損的轉向
（一）Lossless：早期場景的最優解－為了低延遲和簡化協定Lossless（無損網路）是盡量不丟包，它能流行是因為早期應用不需要高頻寬，只需要極致低延遲。
1. 為什麼早期不丟包？
早期的超算（HPC）涉及到“解偏微分方程”，對網絡延遲極其敏感：這類應用會頻繁同步阻塞：簡單說就是“發一個包，等收到確認，再發下一個”，網絡中“正在傳的報文”（inflight）很少；既然“正在傳的包少”，網絡就不會擁擠，自然幾乎不丟包。
2. 不丟包的情況下，為什麼要簡化協議？如果網路基本上不丟包，就沒必要用複雜的L4可靠傳輸（TCP的重傳、壅塞控制），搞個簡單的傳輸協定反而更省延遲：Infiniband做出的簡化：Infiniband（早期超算常用網路）就是把「PCIe匯流排」（電腦內部顯示卡/硬碟的連線）擴展到多算常用網路）就是把「PCIe匯流排」（電腦內部顯示卡/硬碟的連線）擴展到多台化協議，這很簡單；
FCoE的方案：早期儲存用FC（光纖通道）建獨立網路（SAN），伺服器要接「業務網路+儲存網路」兩套線；2008Cisco搞了FCoE（FC over Ethernet），把儲存流量放到乙太網路裡，因為當時硬碟是HDD（慢，頻寬低），用PFC（PFC 3. RoCE的早期嘗試：RoCEv1失敗，v2轉向UDP2010年RoCEv1是「2層乙太網路技術」（只能在一個區域網路內傳），4年沒進展；2014年RoCEv2改成「基於UDP傳輸」（能跨網段），但還是依賴Lossless－網路不遺失包。
小結：Lossless早期場景（低inflight、低頻寬需求）下，「不丟包」是天然狀態，簡化協定能最大程度降延遲，是性價比最高的選擇。 （二）Lossy：為了高頻寬+雲端適配，接受丟包Lossy（有損網路）是“允許丟包，但能快速恢復”，它出現是因為2018年後應用需求變了：從“低延遲”轉向“高頻寬+多租戶”。
1. AI和儲存
（1）GPU需要「打滿頻寬」GPU的運算和通訊能重疊進行（算A的時候，同時傳B的資料），導致網路中「正在傳的封包」（inflight）暴增－此時「能不能把頻寬用滿」比「單次延遲低不低」更重要。 （2）全快閃雲端儲存：inflight也暴增以前儲存用HDD（慢，一次傳一點），現在用SSD（相對快，一次傳很多），再加上雲服器的上多個用戶共用存儲，網路擁塞變得很常見，inflight同樣很高。
2. 雲端環境是天生用不了Lossless的整個雲端的系統用VPC（虛擬網路）隔離租戶，而VPC是「Overlay網路」（在實體網路上套一層虛擬網路），Lossless依賴的PFC技術在Overlay裡沒法用，所以雲端必須用Lossy網路。
小結：Lossy在高inflight、高頻寬、雲Overlay下，“丟包不可避免”，強行保無損（用深buffer堆延遲）性價比很低，不如接受丟包，再透過技術快速恢復，優先保證頻寬和多租戶適配。
（三）RoCE的缺陷：為什麼Lossless的RoCE撐不住新場景？ RoCE（尤其是RoCEv2 Lossless）在早期HPC或儲存裡好用，但新場景下有亂序、擁塞控制、丟包重傳的問題。
1. 多路徑亂序RoCE的RC（可靠連接）模式要求“數據包必須按順序到”，一旦亂序（包1沒到，包2先到），就認定“包1丟了”，觸發“Go-back-N重傳”（把包1及後面的包全重傳一遍），浪費帶寬。
（1）為什麼會亂序？為了用滿頻寬，會為網路加上「多路徑」（例如4條連結），但交換器的「雜湊演算法」可能會把不同流量擠到同一連結（例如GPU1和GPU2的流量都去Link1，Link4空閒）。
為了解決這個問題，人們搞了「Multi-Rail」（同型號GPU連同一交換機）、「Multi-Plane」（把一個800G端口拆成8個112G端口，連8個交換機）。
但這樣處理的話，封包走不同路徑，到達時間不一樣，必然亂序。 （2）RoCE為什麼搞不定亂序？ RoCE的封包只有「首包/中間包/尾包」的標記，中間包不帶「遠端記憶體位址」 －如果亂序，接收端不知道這個中間包該寫進對方記憶體的哪個位置。
Nvidia CX7只能勉強支援「WRITE操作」的亂序（把一個大消息拆成多個帶地址的小包），但「SEND/RECV操作」搞不定（接收端的buffer地址不固定）。
不過早期的iWARP技術是天生支援亂序的，每個資料包都帶有“訊息序號（MSN）+偏移量（MO）”，接收端不管順序，按MSN和MO就能寫記憶體。
2. 擁塞控制－Rate-Based跟不上RoCE用Rate-Based擁塞控制（控制發送速率，每秒發1gb這種），但不適用突發的流量：
（1）為什麼不好用？大模型訓推中，流量是「突發的」（一會兒發10GB，一會兒發2GB），Rate-Based沒法實時調整速率，相當於動態場景控不住；交換機的buffer（緩存）擴展很慢（多端口共享buffer需要很多SRAM，成本高），Rate-Based沒法精準控制正在傳的報文準控制。
（2）不用Rate-Based，用什麼？ 「Window-Based」是「控制inflight數量」（例如最多同時傳100個套件），更適合突發流量，但RoCE協定不支援：缺陷1：RoCE的「封包」和「ACK確認包」是分開發的，封包裡不帶ACK訊息，沒辦法用ACK驅動視窗調整；缺陷2：RoCE的「讀取回應包」（例如讀對方記憶體後回傳的資料）是用ACK包封裝的，但這個包沒有對應的ACK－－如果用Window-Based，讀響應包發不出去。所以AMD、Google都選了Window-Based，而RoCE只能硬撐Rate-Based，這就要更複雜的遙測（Telemetry）即時監控網路了，反而增加網卡複雜度。
3. 丟包重傳－Go-back-N效率太低跨資料中心下丟包更常見，但RoCE的重傳機制太落後：
（1）RoCE的缺點：分不清“亂序”和“丟包”RoCE接收端只要發現“包亂序”，就會把後面的包全丟了，沒法告訴寬傳端“
（2）更好的選擇：SACK+RACK-TLPSACK：一種選擇性確認，接收端告訴發送端“我收到了包1、3、4，就缺包2”，發送端只重傳包2，不浪費頻寬；RACK-TLP：快速判斷“包是不是真丟了”（超時沒到才丟了），避免把定亂當包。
Google的Falcon技術在「5%丟包率」下還能維持90%的有效頻寬（Goodput），就是靠這兩個技術。
4. Google Falcon的總結－RoCE改不動了Google在Falcon的論文裡點出過RoCE的問題：不支持現代重傳（Go-back-N/SR局限大）；多路徑亂序沒法處理，SACK加不進去（要改接收端buffer或協議語義，成本高）；擁塞控制和反饋路徑分離（靠慢）。
Nvidia的CX8雖然加了「PSA算力」優化，但還是在Lossless框架裡修修補補，擁塞響應反而變慢了。
（四）RDMA正在進行哪些變化相當於RDMA正在現代化。既要用多路徑（亂序傳，用滿頻寬），又要相容於舊應用（但舊應用依賴「依序完成」的RC語意）。
參考iWARP的DDP技術就行，給每個資料包加MSN/MO，接收端亂序接收，再依序交給應用，不用改應用程式碼。技術選擇上，3條路徑：接受丟包（Lossy），不用深buffer堆延遲；用SACK/RACK-TLP快速恢復丟包，保證頻寬；用Window-Based擁塞控制，適配突發流量，省網卡複雜度。
另外，也要解決雲端上的適配，即多租戶和虛擬化問題，包括：支援Overlay網路（適配雲端VPC）；支援「熱遷移」（例如虛擬機器遷移時，RDMA連接不中斷），這塊阿里雲CIPU已經實現，Nvidia還沒做到；多租戶隔離：不同用戶的RDMA流量不互相干擾。
二、Ethernet ScaleUP
（一）Ethernet ScaleUP的演進趨勢2020年，NetDAM系統出世是為了解決AI運算中的「記憶體牆」問題，因為傳統DDR記憶體容量足夠但頻寬不足，而HBM雖頻寬高但容量受限。
他們想做一個兼具數Tbps頻寬和數TBytes容量的記憶體抽象層，直接透過統一的記憶體語意實現大規模GPU互連。
記憶體語意抽象：將遠端記憶體存取（如LD/ST指令）直接對應到乙太網路傳輸，避免傳統RoCE訊息語意的協定開銷。
例如，透過位址交織（Address Interleaving）實現多鏈路負載平衡，解決哈希衝突問題。
NetDAM在2021 年就把這套方案做出來了，但落地難，因為：GPU廠家沒有一個統一方案：早期僅有英偉達NVLink支援ScaleUP，其他廠商（AMD）甚至都沒搞出交換機，而Intel/Microsoft的RoCE方案因訊息語意缺陷（高延遲、Cache不友善）難以適配GPU架構。 CXL 協定因為 Intel 拖進度，商用很慢。而乙太網路ScaleUP需在相容性（如是否修改MAC頭）與效能最佳化間權衡。
（二）記憶體語意的重要性：為何RoCE無法取代？ RoCE的缺陷：協議開銷高一個是給鄰居寄快遞，一個是自己去拿。
RoCE發送RDMA請求需建構WQE（Work Queue Element）、寫記憶體、觸發Doorbell，導致每個操作需要數十條指令。但而記憶體語意僅需1條LD/ST指令。
容易塞車RoCE依賴哈希分片，在多連結或多層交換場景中容易多線路衝突，記憶體語意是位址分流。 GPU適配低RoCE需輪詢CQ（Completion Queue），查不到得等一會；記憶體語意只需Polling固定記憶體位址的Flag，延遲降低一個數量級。
記憶體語意的優點：GPU適配直接適配GPU的單發射架構與Warp調度機制，減少上下文切換開銷。
例如，記憶體存取失敗時可立即切換至其他Warp，無需等待CQ處理。計算單元不用指揮，專注計算支援原子操作（Fetch-And-Add），不需要像Allreduce中頻繁HBM讀寫，一條普通的儲存指令（LDGSTS- Load Global Store Shared）就能觸發遠端操作。
（三）在線上計算（In-network Computing）：交換器的角色與侷限英偉達NVLink Sharp方案
讓中間的 「交換器」（類似快遞分類站）不光傳數據，還能幫著算點簡單的（例如加數字），少讓 GPU 來回傳數據。英偉達是給交換器裝個144 位元加法器，能算簡單的把 10 塊 GPU 的資料加起來，但複雜的活乾不了。
BRCM的困境早期想讓交換器用 RoCE “算賬”，但交換機記不住賬（沒足夠內存存臨時結果），但交換機算到一半忘了前面的數，無法處理DeepSeek-V3這種大規模的Token調度。 NetDAM的端側優化讓 GPU 先把資料打包，再讓交換器幫小忙（例如分給多塊 GPU），不讓交換器幹重活。
實際收益不高
訓練 AI 模型時，許多資料傳輸延遲已經被FSDP技術隱藏了，SHARP類在網路運算幫忙算的那點時間，對整體速度影響不大。
在推理狀態下，資料就更靈活了，交換器根本跟不上節奏，不如讓 GPU 自己處理。
（四）記憶語意與事務在記憶體語意和事物上，硬體要做到協同設計是很複雜的。
GPU記憶體模型：Acquire-Release語意ScaleUP需確保記憶體操作的順序性，例如先寫入本機HBM再傳送遠端請求。英偉達H200透過LDGSTS指令實現弱序一致性，但AMD MI300仍依賴強序模型，增加協定設計難度。
可靠傳輸與交易耦合傳統乙太網路的IP/UDP開銷高達數百字節，而記憶體事務需低延遲（如<100ns）。
解決方案包括動態打包指令（如100ns定時器）或精簡MAC頭（如BRCM SUE的AFH欄位）。
乙太網路ScaleUP的定義存在爭議：嚴格派必須保留EthType字段，只改杯子上的標籤但不換裡面的奶茶，也就是源/目的MAC位址，這樣所有設備都認。
彈性派只要用奶茶杯，裡面裝啥都行，複用乙太網路實體層但重新定義MAC子層（UALink的640位元組DataLink FLIT），但要改變一下資料分類規則。
（五）ScaleUP域的規模：GPU不是堆越多越好模型並行的實際需求：
拿Google的例子來說，9216 塊 GPU 的集群，實際幹活時最多 512 塊一起，多了反而 “互相等消息”（傳數據延遲），效率變低； 國內的誤區：有些芯片單卡算力弱（比如只有英偉達的 1/5），就想先把卡傳 5 倍的卡補回來，但還不如把卡加了卡。
（六）延遲對XPU微架構的影響GPU的脆弱性：Outstanding窗口限制CUDA Core同時處理本地做菜（計算）和遠端調貨（訪問其他GPU記憶體）時，若遠端延遲過高，會佔滿Load隊列，堵住打菜窗口。
Cache失效代價CQ處理需經常存取HBM（每次Cache Miss 200ns），但身邊GPU的L1D Cache容量僅數KB，需要去很遠的HBM取貨，這裡頻繁Warp切換會增加數微秒延遲。
硬體上的取捨：Blackwell vs H200Blackwell為提升TensorCore效能增加TMEM，但CUDA Core數量減少，導致傳統算符效能下降。 H200透過平衡SRAM與計算核，在多數場景下表現更優。
晶片總共就這麼大，增加打飯窗口的代價是減少炒菜的爐台，結果有些菜炒的慢，還不如原來。
光互連長距離光傳輸會有延遲忽高忽低的情況，需在交換器等訊號，反而增加了延遲。
（七）是否需要可靠傳輸：協定的tradeoffSUE-Lite怎麼取捨的：非可靠傳輸不用等回執，丟了再說。
省略E2E Go-Back-N重傳，僅保留鏈路級重傳（LLR），也就是北京寄上海，中間站中哪一佔丟了自己負責。
這樣下來晶片面積減少50%。適用於容忍少量丟包的場景（如推理），但需應用層自行處理錯誤。
設一個可靠性邊界即便使用LLR，SDC（靜默資料錯誤）仍可能導致CRC校驗失敗，相當於包裹遺失了但快遞站沒發現。
要在應用層再檢查一下，可以在包裹裡放個密碼本。 Buffer管理的難題：E2E重傳的代價很高若RTT=2μs、頻寬=1TB/s，需2MB Buffer儲存未確認數據，需要在中間的每個站點都保留一個臨時儲存空間，這就很複雜了。
UALink的優化把包裹切成512位元組的小塊，只在每個中轉站保留512KB的臨時存儲空間，通過”DL FLIT打包”技術，讓小包裹能更快重發，但要求快遞站能快速識別這些小包裹（交換機支持快速查表轉發）
三、ScaleUP發展定律：快，還得穩不止一）：Little’ Law（利特爾定律）：「同時在忙的數量」=「來的速度」×「每個忙多久」這個定律聽著複雜，其實每天都在經歷，例如超市收銀台：
平均每分鐘來2個顧客（速度為2人/分鐘）；每位顧客結帳要3分鐘（每個在系統裡的時間：3分鐘）；那麼收銀台前平均會有 2×3=6個顧客在排隊或結帳（同時在忙的數量」）。
對應到GPU的內存訪問，道理一樣：每分鐘來多少顧客=內存帶寬，每秒能傳多少字節；每個顧客結帳時間=內存訪問延遲，一個數據從發出到寫完，要多少納秒“同時在忙的數量”=Inflight-Bytes，正在道理中的字節數。
老收銀台（Hopper）：頻寬一般，結帳快（延遲低），6個顧客（32KB）就能讓收銀台忙不停（打滿頻寬）；新收銀台（Blackwell）：頻寬更高（每分鐘來的顧客更多），或者結帳稍慢（延遲稍高），得12個顧客（64KB）才能讓它長得稍微慢一點（延遲稍高），得12個顧客（64KB）才能讓它長得稍微長久了。
怎麼讓記憶體忙起來，增加Inflight-Bytes？ GPU計算的管線需要從倉庫（記憶體）往生產台（GPU 運算核心）搬零件，如果Inflight Bytes是“正在倉庫到加工台路上的零件總數”，這個數字不夠，搬運工就會沒事（頻寬浪費）。
有沒有辦法讓這個管線的頻寬打滿？
三個辦法，指令級並行(ILP)、資料級並行(DLP)、非同步記憶體存取。
指令級並行：讓工人同時多喊幾次搬運，但得記清 「這4個零件分別要搬到哪、生產到哪一步」。
用什麼記呢？用寄存器，原來1個零件用1個 寄存器，現在4個要用4個，寄存器很快就不夠用。
資料級並行：讓工人 “一次搬個大箱子”，但得有地方臨時放這個大箱子（寄存器要存 8 字節數據），原來1個小零件用1格寄存器，現在1個大箱子用8格，寄存器很快被佔滿，壓力更大。
非同步記憶體存取 ：前兩種方法都是讓工人兼職搬運和生產，導致記事本（暫存器）不夠用。
非同步就是單獨僱用一批搬運工（GPU裡的非同步拷貝引擎），生產工人只負責生產，搬運工自己去倉庫搬零件，搬到後放旁邊的暫存區（SMEM），生產工什麼時候用什麼時候拿。
（二）Kingman’s公式（金曼公式）：排隊多久取決於流量穩不穩這個公式講的是：系統越穩定，效率越高。
用高速公路舉個例子：高速公路的利用率=實際車流量/最大能承受的車流量；變異係數（CV）=車流的忽多忽少程度，早晚高峰車忽多忽少，CV高；半夜車流穩定，CV低。金曼公式說：同樣的利用率下，CV越高（車流越亂），平均塞車時間越長。半夜車流穩定（CV低），利用率80%也不堵；早高峰車流忽多忽少（CV高），利用率60%就可能塞死。
對應到GPU的Fabric（互連繫統）：穩定比速度更重要Fabric就像連接多個GPU的“高速公路網”，排隊延遲相當於利用率。
UALink它傳遞資料用固定640位元組的「資料包」（FLIT），所以車隊保持固定車距行駛，車流穩定（CV低）。
所以即使利用率高（例如80%），延遲也不大。 SUE它的資料包大小不固定（變長size），還要等不同GPU的隊列（不同出口的車搶道），車流忽快忽慢（CV高）。
就算利用率不高的60%利用率，也容易塞車（延後飆漲）。還有2個讓CV變高的添亂因素：對端HBM太忙：也就是內存滿了，那麼高速出口被堵住，進來的車只能排隊，車流變亂；Incast擁塞：多個GPU同時往一個GPU發數據，多條小路匯到主，車流大亂。
不管是記憶體存取還是資料傳輸，光追求「速度快」（高頻寬）沒用，還得讓「流量穩」（低CV）。
首先用Little’s Law算清楚需要多少“同時傳輸的字節”（Inflight-Bytes）才能打滿頻寬，先不要瞎加並行；再看看Kingman’s公式：盡量讓數據傳輸“有規律”，減少突發和混亂，才能在高利用率下不堵車。
四、總結早年超算要低延遲，RDMA 搞無損（不丟包、協議簡單），當時來看性價比很高。後來AI 要滿頻寬、雲環境也用不了無損，就轉 “有損”，當然也不是真的有損，而是丟了迅速恢復。
但RoCE還是有些問題，一亂序就重傳、控不住突發流量等。至於「記憶體牆」如何解決，要靠記憶體語義，畢竟1條指令遠端訪問，比幾十條指令的RoCE快。也不能光堆硬件，光是高頻寬不夠，還得降低延遲，讓流量跑穩。
