什么是智算网络？

智算网络的全称是人工智能算力网络（Artificial Intelligence Computing Network）。从硬件资源层面看，智算网络是一种连接并协同调度分布式算力、存储及数据资源的新型基础设施。从应用服务层面看，智算网络是一种面向深度学习、数据分析、大模型推理和训练等高性能计算任务的新型服务平台。它主要为用户提供图像识别、自然语言处理、推理决策等类型的服务。智算网络先将大规模服务器集群连接起来构成智算中心，再借助广域网将分散的智算中心连接起来，共享算力、数据、模型和应用等资源，统一调度计算任务，实现跨地域人工智能算力资源的统一接入和一体化运营。智算网络如同AI时代的“算力电网”，让所有用户调用最强大的AI算力服务如用电般便捷。

为什么需要智算网络？

AI算力服务需求激增

近年来，随着人工智能技术的快速发展，智算网络提供的AI算力服务已经悄然渗透到社会生活的各个方面，不论是个人还是企业对AI算力服务和应用都有着巨大的需求。例如，在基础教育领域，不同地区的学生可以随时接入AI教育平台，智算网络自动匹配AI名师辅导模型，实时辅导课程学习，降低优质教育资源的获取成本，缩小地区间的教育差距。在交通运输领域，驾驶员可以使用车辆辅助驾驶技术，传感器将激光雷达、摄像头探测到的环境信息传输到智算网络，AI辅助驾驶结合交通信息进行路径规划和车辆控制。互联网平台可以基于机器学习技术，根据用户的历史行为和偏好，为用户提供个性化的推荐内容，满足定制化需求。

图1 AI算力服务需求和应用

随着AI原生应用的普及，AI应用催生的产业变革将推动智算需求迅猛增长。IDC数据显示2025年中国智算服务市场的规模从2024年的50亿美元增至79.5亿美元，从2023年到2028年市场的规模的年复合增长率达到57.3%。IDC和浪潮联合发布的《2025年中国人工智能计算力发展评估报告》预测2025年全球人工智能服务器市场规模预计将增至1587亿美元，2028年有望达到2227亿美元，其中生成式人工智能服务器占比将从2025年的29.6%提升至2028年的37.7%。报告同时显示，2024年中国智能算力规模达725.3EFLOPS，同比增长74.1%。预计2025年中国智能算力规模将达到1037.3EFLOPS，2026年达到1460.3EFLOPS，2028年达到2781.9EFLOPS。在国家《“十四五”数字经济发展规划》中提出“推动智能计算中心有序发展，打造智能算力、通用算法和开发平台一体化的新型智能基础设施，面向政务服务、智慧城市、智能制造、自动驾驶、语言智能等重点新兴领域，提供体系化的人工智能服务”的任务。智算网络作为支撑智能算力服务的核心基础设施不仅成为投资和建设的热点，也是国家数字经济战略规划的一部分。

智算网络是解决现有挑战的必选项

在“Scaling Law”驱动AI大模型进入十万卡以上的超大规模时代，DCN网络已成为限制算力规模发展的重要因素。为了避免算力投资的低效利用，必须构建一套能够释放GPU集群算力的智算网络。智算网络不再是“可选项”，而是决定AI训练效率、推理响应速度和商业竞争力的核心基础设施。DCN网络面临的问题和挑战包括但不限于：

•大规模组网挑战：GPU网卡数量和接口速率逐年增加，支持800G的GPU服务器已经推出，对应要求配套高密度和大带宽端口的交换机。另外，随着组网规模的扩展，网络拓扑的层级不断增加，带来更多的转发跳数和时延。为了解决大规模组网的挑战，业界专门针对智算场景推出高速率高容量的数据中心交换机，同时研究和构建适合超大规模组网的网络拓扑。

•拥塞控制和负载均衡失效：传统数据中心网络的拥塞算法是面向突发小流量的优化设计，无法应对AI训练的持续大流。智算网络通过业务感知和创新的负载均衡技术识别AI业务流量并将其均衡分布在不同路径，避免带宽瓶颈和负载问题。

•协议开销大，延迟过高：传统网络依赖TCP/IP协议栈，数据包需经操作系统内核多次拷贝和校验，单次通信延迟通常达10～50微秒。然而在AI训练中，微秒级延迟会造成显著的性能损失。此时，大量GPU长期处于等待数据的空闲状态，算力利用率远低于智算所需的90%水平。智算网络采用RDMA协议或专有协议，可以绕过CPU和操作系统，实现亚微秒级延迟，直接释放GPU集群潜能。

•丢包导致AI训练崩溃：传统以太网在高负载下丢包率易超1%，而AI训练对丢包极度敏感——丢包率大于0.1%即触发全局同步中断。一次丢包可能浪费数小时算力，万卡集群年损失成本超千万元。智算网络通过无损网络技术确保零丢包，保障训练连续性。

•封闭生态导致的成本问题：InfiniBand技术相对封闭，采用InfiniBand技术的网络设备价格较高，导致大规模集群网络的建设和维护成本高，厂商锁定导致扩展困难。国内外各大厂商和机构都在积极研究并推进基于开放以太网标准的智算网络协议，如中国移动发布的GSE（Global Scheduling Ethernet，全调度以太网）网络架构、海外巨头企业联合成立的超以太联盟UEC（Ultra Ethernet Consortium，超以太网联盟）发布的超以太网1.0规范。

智算网络包含哪些组成部分？

如图2所示，超以太网联盟在2025年6月发布的超以太网1.0规范中将智算网络划分为Scale-up网络（Scale-up Network）、Scale-out网络（Backend Scale-out Network）和前端网络（Frontend Network）三个独立的网络。

图2 超以太联盟对智算网络的划分

Scale-up网络（Scale-up Network）：指在单个计算节点或服务器内部，将多块GPU卡互连的高速网络，通常只有单层交换机网络或者完全不存在交换机。其目标是通过极高的互联带宽（如Nvidia的Nvlink、业界提出的UAlink或博通的SUE等技术），将这些GPU在逻辑上整合成一个具有统一内存视图的“超级GPU”，从而最大化单个计算节点或服务器的计算性能，为张量并行（TP）和专家并行（EP）提供TB级别的超高带宽和亚微秒级别的极低时延。然而，由于机箱内功耗、散热和物理连接数量的限制，Scale-up网络目前支持的互联规模仍然有限（十几到数百块GPU互联），仅靠Scale-up网络无法满足万亿参数模型的训练需求。

•Scale-out网络（Backend Scale-out Network）：指将多台服务器或计算节点互连组成的高性能集群网络。它解决了单台服务器的硬件扩展极限问题，是实现万卡甚至十万卡级别大规模并行训练的必然途径。Scale-out网络主要为通信量相对较小的流水线并行（PP）和数据并行（DP）提供高带宽和低延迟。Scale-out网络对时延要求在微秒量级，但其必须具备优异的规模扩展性。同时，采用开放和标准化的技术（如InfiniBand或RoCE以太网）对于实现灵活的组网和可控的总体拥有成本至关重要。

•前端网络（Frontend Network）：指数据中心运营和业务网络，它将智算网络计算节点和其他DC互联，也可以连接互联网终端用户或者存储系统。前端网络可以用于上传训练数据样本文件，为用户提供服务。在智算场景中，前端网络需关注网络的可靠性，同时对带宽、网络拥塞、负载均衡也有一定要求。

如表1所示，超以太网联盟基于2024年的典型网络给出了Scale-up网络、Scale-out网络和前端网络的差异情况。

表1 Scale-up网络 vs Scale-out网络 vs 前端网络

智算网络采用怎样的拓扑互联？

智算网络的拓扑需要兼具可扩展性、低成本和超高性能，目前业界智算网络拓扑包括CLOS架构、Dragonfly架构、Dragonfly+架构、FullMesh全连接以及Torus等，下文仅简单介绍其中常用的几种。

CLOS架构

如图3所示，CLOS架构也叫Fat-Tree架构，由于其上行带宽和下行带宽1:1的无阻塞设计、良好的扩展性和高效可靠的转发路径等特点，成为了数据中心常用的组网架构，也是智算中心主流组网架构之一。前端网络、Scale-out网络和Scale-up网络均可采用CLOS架构来组网。

图3 CLOS架构示意图

对于小规模的GPU集群组网通常采用Spine-Leaf交换节点组成的二层CLOS架构，如果GPU集群规模扩大，则采用Core-Spine-Leaf节点组成的三层CLOS架构，二层CLOS架构和三层CLOS架构的组网规模和性能如表2所示：

表2 二层CLOS架构和三层CLOS架构简单对比

英伟达提出的超节点（SuperPOD）就是在Scale-up网络中通过系统性集成，利用二层CLOS架构将数十或者数百GPU互联，形成一个“超级GPU”。企业可以直接基于英伟达提供的超节点方案扩展GPU集群。英伟达的NVL576 SuperPOD的组网拓扑如图4所示

图4 NVL576 SuperPOD的二层CLOS架构示意图

在NVL576 SuperPOD中实现576块B200 GPU互联，其中存在两层NVswitch，每台NVswitch提供72个交换端口：

•L1 NVswitch：每个机架中有9个1U的交换托盘和18个计算托盘，每个交换托盘中有2台L1 NVswitch，每个计算托盘包含2块B200 GPU，总计18台NVswitch和36块GPU。每台L1 NVswitch提供36个交换端口分别连接机架中36块GPU，同时提供36个交换端口上联L2 NVswitch。整个组网共16个NVL36机架。

•L2 NVswitch：处于Plane#1～Plane#9共9个平面中，每个平面36台L2 NVswitch，每个平面的L2 NVswitch通过跨机框光纤分别连接16个NVL36机架同一编号的交换托盘中的L1 NVswitch。

Dragonfly架构

为了满足万亿甚至几十万亿参数级别的大模型训练需要，智算中心内GPU规模仍在不断增长，其数量从几千增加到几万甚至几十万的量级。三层甚至四层CLOS架构虽然可以接入几十万量级的GPU规模，但跨节点的GPU通信的跳数增加，导致转发延迟增大，影响了大模型训练性能。同时交换机数量也会随着层级增加而剧增，导致组网的成本和能耗显著增加。因此，业界在不断探索新型组网架构以满足超大规模GPU组网和高性能需求。图5所示的Dragonfly网络架构就是新型组网架构之一。

图5 Dragonfly架构示意图

Dragonfly网络架构分为Switch（交换层）、Group（交换组层）和System（系统层）三个层级：

•Switch（交换层）中包含一个交换机节点及其连接的p个智算节点（GPU卡）；

•Group（交换组层）包含a个Switch的集合。Group内每个交换机节点通过a-1个端口链路与其他交换机全互联；

•System（系统层）包含g个Group的集合。每个Group通过g-1条链路与其他Group全互联，为了负载均衡每个Group内的交换机均提供h个端口链路用于Group间互联，因此a*h=g-1，g取值通常为奇数；

每个交换机至少需要p+(a-1)+h个端口，其中连接智算节点p个端口，Group内交换机互联的a-1个端口以及h个Group间互联端口。一个Dragonfly网络中的计算节点数量可达a*p*g=a*p*(a*h+1)。通常业界建议取值为a=2p=2h。以64个端口的数据中心交换机为例，每个Group中交换机数量可达32个，单个Dragonfly网络可以接入26万以上的GPU卡，接入算力节点规模相当于同款型交换机三层CLOS网络架构的4倍多，同时还节省了交换机数量降低组网成本，减少了跨节点GPU通信的跳数。Dragonfly网络已在各种超算中心部署。

Dragonfly+架构

Dragonfly架构虽然在超大规模组网环境中表现优秀，但无法与CLOS架构兼容，导致之前基于CLOS架构搭建的组网无法重复利用，同时需要自适应路由和流量均衡算法来避免拥塞、动态选路。为了保护投资，业界又提出Dragonfly+架构。如图6所示，Dragonfly+架构相当于将Dragonfly架构中的Group（交换组层）替换为二层CLOS架构，实现了与CLOS架构的兼容，同时具备Dragonfly架构和CLOS架构的优势。

图6 Dragonfly+示意图

智算网络如何提供算力服务？

智算网络为用户提供算力服务的典型业务流程如图7所示，主要包括如下步骤：

(1) 数据入算：将企业或个人积累的海量历史数据作为训练数据集上传到智算中心，为模型训练和推理提供可靠的数据源。例如，医疗领域中，脱敏后海量的病情诊疗数据可作为AI辅助诊断模型训练的数据源，互联网内容提供商积累的用户行为模式和偏好数据可作为AI定制化推荐模型训练的数据源。

(2) 模型训练：用户根据业务需求选择合适的算法模型。算法模型读取数据集进行正向计算，得到计算值与真实数据标签之间的误差，评估算法模型的效果，再执行反向计算得到参数梯度，更新模型参数。如此重复多轮计算后得到最佳的模型参数，最终模型学习到数据的规律和特征，使其具备特定的决策和推理能力。不同业务场景对算力规模、网络时延和数据安全的需求各不相同，因此，模型训练可能在智算中心内进行，也可能跨智算中心协同训练。

(3) 模型部署：将训练好的模型从开发环境部署到生产环境。通常训练好的模型会从智算中心部署到距离用户更近的边缘数据中心或企业自建数据中心的推理池，甚至是用户的终端设备，从而使用户快速获取AI服务。

(4) 模型推理：用户向部署好的模型中输入新产生的业务数据，模型调用本地或远端算力和数据对业务数据进行分析和预测，提供决策或输出结果。

图7 智算网络典型组网和业务流程示意图

智算网络的关键技术有哪些？

智算网络的核心技术体系旨在解决高并发、低延迟、大规模异构算力协同等复杂挑战。其技术体系包括但不限于无损网络技术、负载均衡技术、高可靠性技术、智能运维技术、绿色节能技术以及数据安全体系。这些技术并非孤立存在，而是相互协同，共同构成支撑万亿参数模型训练与推理的坚实底座。

无损网络技术

由于其广泛的兼容性、低成本和高性能，基于以太网的RDMA（Remote Direct Memory Access，远程直接内存访问）技术——RoCEv2（RDMA over Converged Ethernet version 2）协议已成为数据中心高性能网络的主流协议之一。但以太网缺乏完善的丢包保护机制，丢包率一旦超过十万分之一就导致智算任务性能骤降。因此，智算网络必须具备“零丢包”的无损环境。无损网络技术就是一种通过流量控制、拥塞控制等技术，实现“零丢包、低延迟和高吞吐”的网络技术方案。

无损网络技术主要包括两个基本机制：

•流量控制技术PFC（Priority-based Flow Control，基于优先级的流量控制）：IEEE 802.1Qbb标准为以太网定义的一种数据链路层逐跳的无损传输技术。如所示，PFC允许网络设备根据不同数据流的优先级进行流量控制。当接收缓存中特定优先级的流量达到设置的XOFF门限时，网络设备可以向对端设备发送反压信号（PFC PAUSE帧），要求对端设备停止发送特定优先级的流量，以防止缓存溢出和数据丢包。当接收缓存中特定优先级的流量恢复到XON门限时，发送解除反压信号，恢复对应流量的发送。

图8 PFC工作原理示意图

•拥塞控制技术ECN（Explicit Congestion Notification，显式拥塞通知）：利用IP报文头中的ECN域来标记报文传输路径上的拥塞状态。支持该功能的终端网卡可以通过报文中的ECN标记判断出传输路径上是否发生了拥塞，从而调整报文的发送方式，避免拥塞加剧。RoCEv2协议结合ECN功能可以实现数据中心网络中的端到端拥塞控制。交换机借助WRED实现报文ECN标记，当出端口队列长度超出低门限时，开始按一定概率标记报文的ECN域，并将报文发送到接收端；接收端发现ECN标记的数据后，生成拥塞通知报文反馈给报文发送端，通知上游发送端动态降低报文发送速率。以这种拥塞通知机制为基础，结合AI模型训练能力，H3C又给出了AI ECN、IPCC（Intelligent Proactive Congestion Control，智能主动拥塞控制）等一系列AI驱动的网络拥塞控制技术，来智能地控制拥塞触发水线。

图9 ECN工作原理示意图

负载均衡技术

在网络中，通常采用LACP（Link Aggregation Control Protocol，链路聚合控制协议）和ECMP（Equal-Cost Multi-Path routing，等价路径负载分担）来调整链路负载，避免流量集中在某条链路导致拥塞丢包。传统网络中LACP和ECMP为了避免报文乱序问题，普遍采用逐流负载分担方式。逐流负载分担基于Hash散列，将流量的五元组（源地址、目的地址、源端口号、目的端口号及协议号）作为Hash因子，计算并选取路径转发流量。但该方式在智算中心网络中面临以下问题：

•在逐流Hash过程中，可能出现流量“极化”导致负载不均的情况。例如，跨设备多次Hash时，第一次Hash后，流量均衡分担在不同链路，但第二次经过同样的Hash算法，已经Hash的流量仍选择同一条链路转发，从而导致其他链路无负载。

•在AI分布式训练场景中，AllReduce操作会产生大规模同步流量，其流数量少而数据量大，属于大流。静态逐流负载分担基于随机概率选路，对于数量多而数据量小的小流效果较好，但对样本数量少的大流负载均衡效果一般。

•在“many to many”的流量模型中，Hash算法是设备本地计算，缺乏网络全局的视角，不能保证全局所有链路流量负载均衡。可能存在某条链路的带宽利用率很高，而其他链路负载较轻的情况。

如图10所示，为了避免链路负载不均衡导致部分链路拥塞丢包，H3C在智算中心网络中实现了多种负载均衡技术。

图10 H3C智算网络负载均衡技术一览

LBN（Load Balance Network，负载均衡网络）是一种设备级别的逐流负载均衡技术。在出入端口对称的情况下，LBN通过对出入端口进行分组和智能编排，形成入端口和出端口间一对一映射关系，将流量精准地分担到不同出口，以提升网络吞吐率。LBN适用于流量模型单一且网络规模不大的情况。

•DLB（Dynamic Load Balance，动态负载均衡）是一种增强的本地逐流负载均衡技术，它主要从两个方面改进了传统的负载均衡算法：

ο在时间维度上将一条流进行切割，实现更细粒度的Hash计算。

ο引入了实时端口负载作为流量负载选路因素，可以动态选择负载更轻的链路转发。

对于业务流量多为大流的场景，部署DLB的链路负载均衡效果更优。

•FGLB（Flexible Global Load Balancing，灵活全局负载均衡）是一种根据整网节点流拥塞状态和全网拓扑进行全局算路，从而识别出最优传输路径的技术，因其具备“全局视角”的优势，称之为全局负载均衡技术。

•SprayLink（逐包喷洒技术）是一种端网融合的动态逐包负载均衡方案，由网络设备按逐包方式进行链路负载分担，由主机网卡对不同链路分担的报文进行乱序恢复。除了采用逐包分担方式以外，H3C的SprayLink技术还借鉴了DLB的动态负载分担思路，引入实时负载度量（端口带宽负载、队列大小），实现了动态的流量分担效果。实测数据显示，采用SprayLink技术进行网络调优，可使多条链路的总带宽利用率达到95%以上，比传统哈希方法提升明显。

•DDC（Diversified Dynamic-Connectivity，多元动态联接）是一种分布式解耦的机框架构。如图11所示，DDC将传统的集中式机框交换机拆分为多个独立的模块化盒式交换机。这些模块化盒式交换机分别承担信元交换和数据转发的功能，它们通过物理网络互联来实现100%均衡且无阻塞的高速数据转发。DDC方案将传统的框式交换设备解耦为由多个盒式交换机组成的Spine-Leaf架构，其中原框式交换设备的业务板卡（Line Card）作为接入Leaf设备，称为NCF（Network Connectivity Fabric，网络交换单元），交换网板（Switch Fabric）作为Spine设备，称为NCP（Network Connectivity Processor，网络业务单元）。

图11 DDC分布式架构示意图

高可靠性技术

在万卡级AI模型训练中，一次训练任务通常需要持续数小时甚至数天。在此过程中，网络连接应保持稳定，以确保训练过程不会被中断或终止。任何网络中断或故障都可能导致训练中断，从而需要重新开始训练，浪费大量时间和资源。H3C为智算网络提供了多种高可靠性技术：

•DPSH（Data Plane Self-Healing，数据平面自修复）通过数据平面快速感知、传递和处理链路端口故障，将故障收敛时间提升至亚毫秒级别（小于0.5ms），使上层智算业务对故障无感知，确保网络的可靠性和稳定性。如图12所示，DPSH技术方案中故障感知不依赖控制平面的路由协议，而是通过本端设备提前收集到的网络拓扑信息预先生成备用转发表，发生故障时，按照转发表项快速切换。

图12 DPSH快速感知故障并切换路径

ISDF（Instant Silent-fault Detection and Failover，快速静默故障感知与恢复）是一种数据平面的故障检测和切换技术，主要用于检测由转发芯片异常或转发表项异常等原因引起的静默丢包问题。通常情况下，静默丢包出现时，链路状态仍为Up，无法通过常规检测手段发现故障。通过在Leaf设备上部署ISDF功能监控业务会话的状态，一旦发现业务报文重传，则智能判断是否发生故障，并选择质量最优的链路进行切换。

图13 ISDF故障处理交互流程示意图

智能运维技术

智算中心内部网络规模庞大，包含大规模计算集群、存储集群和上千台网络设备，运维管理复杂。智算中心间涉及多个网络域的协同，传统人工运维效率低下。运维自动化和可视化系统是智算网络必备的工具。

•新华三的AD-DC端网协同自动化方案打破计算、网络和存储之间的壁垒，实现跨域资源的自动化调度和协同管理，提升运维效率。例如，在智算网络开局部署环节，设备配置项可达几十万条，人工操作难以保证准确性。如图14所示，AD-DC智算网络意图开局通过可视化界面收集用户需求，自动规划组网方案，用户仅需填写规划信息即可实现参数网和存储网的一键部署。

图14 AD-DC智算网络意图开局示意图

新华三的AD-DC智算可视化解决方案在数据采集层通过Telemetry、SNMP Trap和Syslog等多种并行方式实现对大规模集群智算网络设备的全景监控。

图15 AD-DC智算可视化解决方案的全局看板

图16 AD-DC RDMA Telemetry可视化趋势图

绿色节能技术

随着计算集群规模不断扩展，超节点网络和集群网络的功耗也在快速增长。以英伟达的DGX SuperPOD GB300机柜级超节点为例，单个576卡的超节点功耗高达1.2兆瓦，如果基于该超节点部署十万甚至百万卡的集群则需要吉瓦级别的功耗，而上述计算仅仅是GPU计算节点的功耗，实际数据中心中的总功耗还需考虑存储系统、冷却系统、网络交换设备等部分的能耗，总耗电量还会显著增加，远超出了普通园区的供电能力。在当前国家“双碳”战略要求的大背景下，运营商和各大厂商均重点关注PUE（Power Usage Effectiveness，电能利用效率）这一衡量智算中心能耗的关键指标，H3C通过液冷散热方案、优化光模块功耗、AI节能调度、异构算力协同等方式降低单位算力能耗，推动“绿色智算”发展。

•液冷散热方案是一种高效的散热解决方案，它采用液体作为冷却介质，替代了传统的空气冷却方式。通过直接或间接接触发热部件，液体介质能够有效吸收和带走热量。根据国家互联网数据中心产业技术创新战略联盟发布的《绿色节能液冷数据中心白皮书》，传统风冷的数据中心中，冷却系统的能耗占数据中心整体能耗的40%以上，采用液冷方案后冷却系统的能耗占比可以下降到10%左右。如图17所示，液冷系统的通用架构由一次侧和二次侧两部分组成。

ο一次侧（室外侧）：包括冷却塔、一次侧管道和一次侧冷却液。负责将热量从机房内部传输到外部环境。

ο二次侧（室内侧）：包括CDU（Cooling Distribution Unit，冷却分配单元）、液冷机柜/Tank、ICT设备（安装在液冷机柜或Tank中）、二次侧管道以及二次侧冷却液。负责完成发热器件与冷却液体热量的交换，液体升温带走部件热量。

图17 液冷方案通用架构

LPO（Linear Pluggable Optics，线性驱动可插拔光模块）技术是一种线性直驱的光模块优化技术。如图18所示，它省去光模块链路中的高功耗的oDSP（Optical Digital Signal Processing）芯片，只留下驱动芯片和TIA（Trans-Impedance Amplifier，跨阻放大器）。相对于保留oDSP芯片的光模块而言，LPO光模块的功耗下降了三分之二，而且省去了DSP的处理流程大幅降低了处理时延，同时也降低了光模块的成本，牺牲了一定的误码性能，目前LPO光模块仅适用于数据中心高速短距离光互联场景。

图18 LPO光模块vs普通光模块

CPO（Co-Packaged Optics，共封装光学）技术是将负责光电/电光转换光引擎与交换机的专用集成电路芯片共同封装集成在同一个基板或插槽内。随着数据中心交换机高速接口的速率向800G、1.6T及以上演进，电接口信号损耗剧增、功耗密度过高、物理空间受限，CPO共封装技术通过将电信号传输距离从厘米级缩短到毫米级，大幅降低了高速信号的衰减和功耗。CPO方案能将单端口的功耗从可插拔模块的约15W降至5.5W以下，单位比特功耗可降低3至4倍。同时，它减少了器件尺寸也降低了信号传输延迟。因此，CPO方案已被OIF、IEEE列为未来数据中心核心光互联标准，是下一代智算网络物理层的重要演进方向。

图19 CPO光模块封装vs 可插拔光模块封装示意图

数据安全体系

当前大模型训练涉及敏感数据，安全已成为客户核心关切。面对多租户环境下的数据安全挑战，智算网络需构建基于零信任架构的安全体系。零信任架构的核心原则是“永不信任，始终验证”，主张对任何试图访问网络资源的用户、设备、应用或工作负载，无论其位于何处，都必须进行严格、持续的身份验证、授权和风险评估。通过TEE（Trusted Execution Environment，可信执行环境）、加密传输、动态身份认证等技术手段可以实现零信任架构，从而防止模型窃取与数据泄露。数据安全贯穿于从身份认证、网络微隔离、计算过程保护到数据静态加密的全流程，确保在共享基础设施中实现严格的逻辑隔离与可信计算，是赢得客户信任、保障AI资产安全的生命线

H3C珠海认证代理商， H3C交换机，H3C服务器，H3C防火墙，H3C超融合，H3C通用服务器，H3C人工智能计算服务器，H3C UniServer R5500 G7 X，H3C UniServer R5350 G7 Ultra，H3C S12500AI系列数据中心交换机

H3C S12500R数据中心旗舰融合交换路由器，H3C S10500X-G系列交换机，H3C珠海经销商，珠海市东道技术有限公司  18023086166