近日，中国移动江苏有限公司发布《中国移动智算中心（南京）2023年智算算力项目算力设备采购项目》招标公告，招标项目内容显示，需采购30台人工智能通用计算设备（训练型），预估金额10890万元（人民币/含税），单价限价363万元/台。

P4语言的编译器设计体现了模块化思想，各个模块通过标准化配置文件进行信息交换。这种设计赋予了P4语言三大关键特性：协议无关性、目标无关性和可重构性。它允许用户自定义数据平面的报文处理逻辑，提高了数据平面的可编程性，使得网络设备能够灵活地支持各种新兴的协议和功能。

我们大致可将AI智算中心内部的数据存储系统进行简单的层次分类，主要包括GPU内存、存储网和存储设备。一般来说，在存储层次结构中位置越高，其存储性能（尤其是延迟）就越快。因为本文的定位在分析网络流量，我们将聚焦于智算中心内部GPU服务器内存与远端存储服务器之间传输的数据。

数字时代，人工智能（AI）及其相关技术正日益成为许多领域的热门话题。其中，生成式人工智能（Gen AI）和大型语言模型（LLMs）引起了广泛的兴趣和讨论。然而，尽管这些术语在科技界和专业领域中频繁出现，网络工程师对其的理解却不多。

AI模型的规模巨大并持续快速增长，不仅将带来数据中心流量的指数型增长，独特的流量特征也将为数据中心网络带来崭新的需求。深入分析AI大模型在训练、推理和数据存储流量将帮助数据中心建设者有的放矢，用更低的成本，更快的速度、更健壮的网络为用户提供更好的服务。

IPT（带内路径遥测）通过将网络测量任务内嵌至数据报文本身，让业务流在转发过程中自动收集并携带每一跳设备的实时状态信息（如时延、队列深度）。在超大规模AI训练集群中，IPT能精准定位导致All-Reduce同步延迟的网络瓶颈，极大缩短故障排查时间，保障万卡集群算力高效稳定输出。

近年来，随着AI大模型训练（如GPT-4、Gemini）的爆发式增长，数据中心网络的流量压力急剧上升。单次训练任务可能涉及数千张GPU卡协同工作，生成集合通信流量（All-Reduce、All-to-All等），网络面临高并发、低延迟、无损传输的严苛需求。然而，传统以太网的网络利用率长期徘徊在35%~40%，成为制约AI算力释放的关键瓶颈。

近年来，生成式人工智能（Generative AI）的突破性发展，将大语言模型（LLM）和深度学习系统的算力需求推向了前所未有的量级。

在GPT-4o参数规模突破10万亿、千卡集群成为AI训练标配的今天，全球互联网正经历着前所未有的流量风暴。当单次模型训练可产生相当于YouTube全球三日流量的数据洪流，当分布式推理系统要求微秒级延迟保障，传统网络架构的流量调度机制正面临系统性崩塌。路由技术如何破局AI流量洪峰？

近日，中国移动江苏有限公司发布《中国移动智算中心（南京）2023年智算算力项目算力设备采购项目》招标公告，招标项目内容显示，需采购30台人工智能通用计算设备（训练型），预估金额10890万元（人民币/含税），单价限价363万元/台。