突破性进展！联想万全异构智算研发团队论文入选 IEEE CyberSciTech 2025

近日，联想万全异构智算研发团队的论文《RNL: RoCE Network Loadbalance with AI Traffic Characteristics and Link Congestion Awareness》被 IEEE CyberSciTech 2025 大会成功接收，并即将收录于 IEEE DL 和 EI Indexed。

IEEE 是全球最大的专业技术组织，其中 CyberSciTech 已成为衡量技术创新与学术价值的重要标尺。作为聚焦人工智能、计算机与网络技术的中高级国际会议，IEEE CyberSciTech 每年吸引全球上千名顶尖专家学者参与。论文录用率严苛，仅有三十余篇成果能通过前沿性与突破性双重评审，被收录至 IEEE Xplore 和 EI 数据库。这些论文大多在业界被广泛引用，具有深远的国际影响力。

此次联想被收录的论文提出了一项创新性的 RNL 技术，通过多维感知、路径负载均衡优化与增量流量迁移，有效解决了 AI 训练与推理场景中 RoCE 网络负载均衡的长期难题。这一成果不仅获得了国际学术界的认可，更标志着联想在 AI 异构计算网络领域的技术实力步入全球前沿。

随着大语言模型参数规模爆发式增长，AI 集群规模不断扩大，RoCEv2（RDMA over Converged Ethernet v2）已成为 AI 网络的主流协议。然而，AI 训练与推理基于通信原语（如 all-gather、all-reduce）进行数据传输，这种模式容易导致网络流量呈现「低熵、大象流」特征，极易引发负载不均和链路拥塞，严重制约带宽利用率与整体性能。

面对 AI 业务对低延迟、高吞吐的严苛需求，传统厂商主要通过专用硬件交换设备感知连接关系，实现负载均衡优化，但方案高度依赖自身硬件生态，成本高昂且灵活性不足。因此，行业亟需一种通用、高效且经济的解决方案。

针对上述痛点，联想万全异构智算研发团队创新性提出的 RNL 技术，可以构建「多维感知+路径负载均衡+增量迁移」闭环体系，兼具算法创新与实用价值：

首先是多维感知机制，可以实时感知网络拓扑结构、AI 任务网络需求及 RoCE 链路负载状态，为动态调度提供数据基础。

其次是路径负载均衡优化，通过虚拟-物理网络映射与路径评分算法，智能选择最优数据传输路径，最大化带宽利用率。

第三是增量流量迁移，该技术采用增量迁移策略，在链路流量调整时避免瞬时延迟，确保业务连续性。

与传统方案不同，RNL 基于通用 RoCE 交换机实现 AI 网络优化，无需绑定专用硬件，显著降低了部署成本。其核心创新在于融合 AI 业务通信带宽与时延评估算法，结合多维链路拥塞评估机制，实现对 AI 负载的精准调度与网络路径的智能编排。

在实测环境中，RNL 技术不仅展现出高可靠性，更体现出在提升 AI 业务效率与降低总拥有成本（TCO）方面的双重优势。在性能提升方面，集合通信原语性能提升 50%，带宽利用率达 85%，负载均衡离散度降低 90%；AI 推理场景下，TPS（每秒处理事务数）提升 26%，TTFT（首字节时间）时长减少 30%，TPOT（每输出令牌时间）时长减少 22%；整体部署成本降低 60%，为 AI 集群的规模化落地提供了经济高效的网络基础。

RNL 技术巧妙实现了成本与灵活性的双赢。通过纯算法创新，该技术在通用 RoCE 交换机上实现了同等甚至更优的性能表现。这一突破不仅打破了传统厂商的技术垄断，更为用户提供了高性价比、易部署的替代选择，助力企业在 AI 竞赛中快速构建竞争优势。

目前，RNL 技术已纳入联想万全异构智算平台的落地规划，这将进一步巩固联想万全异构智算平台在 AI 异构计算市场的技术壁垒，提升其行业影响力与核心竞争力。此前，联想万全异构智算平台已在教育科研、工业/制造、云计算、大数据等领域打造一系列标杆案例：例如，在行业级&科研级智算场景，联想与北大深度配合，共同打造了重大科技基础设施算力平台，减少运维成本 50%，GPU 资源利用率从 70% 提升至 90%；在制造业，联想与吉利共同打造了标杆级的智能算力集群，实现企业混合算力场景下的成本优化。

未来，联想计划将 RNL 技术扩展至高性能存储、HPC 等场景，并引入深度学习算法优化拥塞预测能力。同时，联想将在千卡、万卡节点的大型 AI 集群中验证其综合性能，持续推动 AI 网络技术的创新与迭代。

此次联想万全异构智算研发团队的创新成果，不仅是其科研实力的集中展现，更是联想在前沿技术领域不断追求、不断突破的生动写照。在 AI 大模型迈向万卡级集群的背景下，联想将继续以技术创新为核心，持续打造稳定、高效的智算引擎，助力 AI 技术的规模化落地，推动 AI 算力普惠新时代。