如何在负载条件下测试网络可扩展性

+ IxNetwork

全对全人工智能网络工作负载

工程师可以通过在受控测试环境中重现集体通信模式，来评估网络在人工智能和高性能计算工作负载下的可扩展性。首先构建一个代表目标计算架构的“全对全”流量拓扑，然后配置基于融合以太网的远程直接内存访问第 2 版（RoCEv2）端点、工作负载特性，以及影响拥塞行为的网络控制措施。在预定义的发送负载下运行集体工作负载，并在流量在端点之间传输时收集吞吐量、延迟、数据包丢失率以及与拥塞相关的测量数据。工程师可以重复运行相同的工作负载，同时每次仅更改一个网络或设备参数，从而确保每次比较都与已知的配置变更相关联。

随着整体全对全流量的增加，工程师可以监控延迟、丢包率和吞吐量在网络架构中的变化情况，以及拥塞控制设置如何影响这些结果。他们可以在保持其余条件不变的情况下，调整工作负载规模、端点数量、提供负载、拓扑结构以及被测设备参数。这种方法能够创建可重复的 AI 网络测试场景，展示当集体通信给共享链路和队列带来更大压力时，网络架构的表现。工程师可以利用所得的测量结果来比较不同配置、调整拥塞控制行为，并在部署前评估网络的可扩展性。记录每次运行的拓扑结构、工作负载定义、提供负载、时间窗口和控制设置，还能生成一致的数据集，用于比较不同版本或基础设施变更带来的差异。

AI 网络可扩展性测试方案

创建可重复的“全对全”集体通信工作负载，增加提供负载，并测量当网络结构中出现拥塞时网络的响应情况。是德科技的IxNetwork 利用RoCEv2仿真技术来模拟人工智能和高性能计算的通信模式，允许工程师配置工作负载行为、端点和网络参数，同时收集吞吐量、延迟、数据包丢失以及与拥塞相关的统计数据。工程师可以建立基线，更改单个被测设备或拥塞控制参数，并在保持相同拓扑结构、端点数量、提供负载和测量窗口的前提下，重新运行相同的流量序列。这种受控的工作流程有助于团队比较不同设置在聚合流量增加时对集体通信的影响。IxNetwork 提供了可重复的流量生成、RoCEv2 仿真以及测量可见性，这些功能对于评估网络可扩展性和拥塞控制响应至关重要，且无需依赖不受控的生产流量。

索取报价