摘要：随着大语言模型（LLM）规模持续扩张，其训练对计算算力与网络带宽的需求呈指数级增长。传统数据中心多采用 Clos 架构，虽能提供对称节点带宽，却因依赖大量高基数交换机与光模块，存在成本高昂、可用性低等问题，难以满足 LLM 训练的大规模、高带宽、低成本、高可用
电子发烧友网综合报道 在最近的Hot Chip2025大会上，华为进行了一场线上分享，提出了一种全新的AI数据中心网络架构UB-Mesh。
随着大语言模型（LLM）规模持续扩张，其训练对计算算力与网络带宽的需求呈指数级增长。传统数据中心多采用 Clos 架构，虽能提供对称节点带宽，却因依赖大量高基数交换机与光模块，存在成本高昂、可用性低等问题，难以满足 LLM 训练的大规模、高带宽、低成本、高可用四大核心需求（R1-R4）。
那么UB-Mesh是通过分层本地化 nD-FullMesh 拓扑与多维度优化，实现性能、成本与可用性的平衡。
UB-Mesh 的设计遵循三大核心原则：一是流量驱动拓扑（P1），利用 LLM 训练中张量并行（TP）、序列并行（SP）占 97% 流量且集中于近距离节点的特性，构建分层网络；二是拓扑感知计算通信（P2），将并行策略、路由等与拓扑深度协同，避免带宽浪费；三是自愈容错（P3），通过硬件备份与快速故障恢复，保障训练连续性。
UB-Mesh的整体架构设计，展示了从2D-FullMesh（机柜内）到4D-FullMesh（Pod内）再到SuperPod的扩展方式。
在核心架构设计上，UB-Mesh 以nD-FullMesh 拓扑为基础，通过 “维度递推” 实现规模化扩展：从板级 1D 全连接（相邻 NPU 直接互连），到机架级 2D 全连接（1D mesh 间互连），最终形成 Pod 级 4D-FullMesh（UB-Mesh-Pod），可支持 8K NPU 的高带宽域。UB-Mesh-Pod是一个由1024个NPU组成的4D-FullMesh集群。该集群内部，每个机柜包含64个NPU，构成一个2D-FullMesh；16个这样的机柜再构成一个2D-FullMesh，从而形成一个4D-FullMesh的Pod。
该拓扑以短距离电连接为主（占比 86.7%），大幅减少对高成本光模块与交换机的依赖，同时通过灵活带宽分配，为近距离通信（TP/SP）提供高带宽，远距离通信（数据并行 DP）分配低带宽，精准匹配 LLM 流量特征。
硬件层面，UB-Mesh 通过统一总线（UB） 实现组件互连，替代传统混合互连（PCIe/NVLink/IB），支持 Load/Store 等同步操作与 Read/Write 等异步操作，不仅简化驱动设计，还实现 IO 资源灵活分配与硬件资源池化（如 CPU、NPU、DDR 共享）。核心硬件包括支持 72 路 UB 通道的 NPU、32 路 UB 通道的 CPU，以及低基数交换机（LRS，用于机架内聚合）、高基数交换机（HRS，用于 Pod 间互连）。此外，架构采用 “64+1 备份设计”，每机架额外配置 1 个备用 NPU，节点故障时可通过 LRS 快速切换，仅增加少量延迟而不中断训练。
为解决架构落地挑战，UB-Mesh 提出多维度优化机制。路由方面，创新全路径路由（APR） ，结合源路由（8 字节紧凑头实现路径指示）、结构化寻址（按 Pod / 机架划分地址段，减少路由表开销）与拓扑感知无死锁流控（TFC 算法，仅用 2 个虚拟通道实现无死锁），充分利用多路径带宽，避免拥塞。故障恢复方面，采用 “直接通知” 机制，节点故障时直接向通信目标节点发送信息，相比传统逐跳通知，大幅缩短收敛时间。通信优化方面，针对 All-Reduce 设计多环算法，通过 idle 链路复用与流量分区提升带宽利用率；针对 All-to-All 采用多路径传输与分层广播 / 归约，适配 MoE 模型的专家并行需求。
实验验证显示，UB-Mesh 相比传统 Clos 架构优势显著：成本效率提升 2.04 倍，减少 98% 高基数交换机与 93% 光模块使用，网络基础设施成本占比从 67% 降至 20%；可用性达 98.8%，较 Clos（91.6%）提升 7.2%，其 Mean Time Between Failure（MTBF）达 98.5 小时，是 Clos 的 7.14 倍；在 LLAMA-70B、GPT3-175B、MoE-10T 等模型训练中，性能仅下降 7% 以内，且集群规模扩展至 64 倍时，线性度仍保持 95% 以上，可支持超大规模 LLM 训练。
UB-Mesh架构通过其创新的nD-FullMesh拓扑、统一总线技术以及一系列系统级优化，成功地解决了大规模LLM训练所面临的“通信墙”问题。它不仅在理论上证明了分层局部化网络设计的优越性，更在实践中展示了其在成本、性能和可靠性方面的巨大优势。UB-Mesh为构建下一代超大规模、高性价比的AI计算集群提供了一个强有力的范例，预示着AI基础设施设计的一次重要范式转移。
来源：核芯产业观察
