光模块通道保持技术介绍-5W100-整本手册.pdf

技术介绍

光模块通道保持

技术背景

在现代人工智能的训练环境中，大规模的计算卡通常通过光纤链路进行数据交换，以确保高效的协同工作。然

而，光纤链路的中断可能导致训练任务的暂停。这种中断不仅会导致系统的暂时停滞，长时间的故障甚至可能

迫使训练中断数小时或数天，从而严重拖延AI模型的开发进度，并显著增加运维时间和成本。

在实际应用中，光纤链路中断往往是由于光模块中的个别通道出现问题，但其他通道仍然具备正常运作的条件。

因此，如果能够在仅个别通道出现问题时，保持其他通道的正常运作，就可以降低训练任务被中断的频率和影

响。这将提高整体系统的稳定性和效率，有效支持AI模型的持续开发和优化。

针对由个别通道故障引发的光纤链路中断问题，光模块通道保持技术提供了一种有效解决方案。该技术通过灵

敏的端口状态检测，实现了光链路通道的实时切换，从而降低了故障发生率，保障训练任务的连续性。

技术实现

总体实现

光模块通道保持技术总体实现如下:

1.开启Linkscan功能，通过Linkscan功能监测端口状态变化。

2.如果监测到端口出现down状态，则检查对应端口的所有通道。

3.如果仅存在部分通道故障，光模块仍然存在可用通道，则将流量切换到可用的通道上，端口更新为UP状

态。需要注意的是，通道一般按组工作，任一通道异常会导致所属组内其他通道无法工作。

4.如果所有通道均故障，光模块无可用通道，则端口仍然为down状态。

开启Linksan功能

检测端口状态变化

通道异常

N

存在可用通道？

Y

将流量切换到可用通道端口Down

通过配置设备的Linkscan功能运行于硬件模式，设备可以即时感知端口状态的变化。这种快速的监测机制

确保了系统能够在第一时间响应光模块的故障。

通道切换

在检测到仅有部分通道故障时，系统能够迅速把数据流量切换到其他正常工作的通道。这种智能流量管理策略

确保了即便某个通道失效，也不会影响整个训练任务的进行。

当光模块无故障时，所有通道均正常工作，参与流量转发。

当光模块部分通道出现异常时，设备会将异常通道所在组内的所有通道均阻塞掉，仅使用正常的通道组进

行流量转发。

TX

Lane0

RX

通道组0

TX

RX

Lane1

PM

Lane2

TX

RX

光模块

通道组1

TXLane3

RX

Lane0

Lane1

Lane2

Lane3

正常工作一个通道异常阻塞一组内的2个通道

如上图所示，400G光模块包含4个通道，其中，Lane0和Lane1属于同一个通道组，Lane2和Lane3

属于同一个通道组。当Lane0异常时，设备会将Lane0和Lane1均阻塞掉，仅使用Lane2和Lane3转

发流量。

更多精彩内容

新华三官方网站新华三资料速递新华三资料速递

文档中心