Tweet
Thiết kế mạng IP Storage Network theo mô hình spine-leaf.
Đây là một kiến trúc rất quen thuộc trong các trung tâm dữ liệu data center hiện đại, đặc biệt khi triển khai hệ thống lưu trữ hiệu năng cao, AI cluster hoặc hạ tầng compute quy mô lớn.
Ở lớp edge (leaf), các máy chủ (host/initiator) và hệ thống lưu trữ (storage array/target) kết nối với tốc độ 100 GbE. Các leaf switch sau đó uplink lên lớp spine/core với tốc độ 400 GbE, tạo thành một fabric ECMP (Equal-Cost Multi-Path). Ý tưởng ở đây là thay vì phụ thuộc vào một đường đi duy nhất như thiết kế mạng truyền thống, traffic có thể được phân phối qua nhiều đường song song, giúp tăng throughput và giảm bottleneck.
Khuyến nghị đầu tiên là giảm tối đa over-subscription. Trong storage networking, đặc biệt với workload AI training, backup, distributed storage hoặc east-west traffic lớn, nếu uplink không đủ băng thông thì leaf sẽ trở thành điểm nghẽn. Vì vậy mô hình 100G ở edge và 400G ở core giúp fabric có đủ “xương sống - backbone” để vận chuyển dữ liệu.
Khuyến nghị thứ hai là host và storage nên chạy cùng tốc độ. Ví dụ server NIC 100G thì storage port cũng nên 100G. Nếu một bên nhanh, một bên chậm, sẽ tạo ra hiện tượng speed mismatch, dẫn đến buffer pressure, congestion và hiệu năng không ổn định.
Khuyến nghị cuối cùng là bắt đầu từ mạng nhỏ. Không phải mọi doanh nghiệp đều cần một storage fabric khổng lồ ngay từ đầu. Thay vì một fabric lớn phức tạp, nhiều fabric nhỏ độc lập đôi khi dễ vận hành, dễ scale và cô lập sự cố tốt hơn.
Thật ra, nếu chúng ta nhìn từ góc độ thiết kế hạ tầng cho AI Infrastructure, đây chính là triết lý thiết kế quen thuộc: dự đoán được độ trễ của mạng - predictable latency, non-blocking fabric, horizontal scale-out. Vì trong AI và tính toán hiệu năng cao HPC, bài toán cần giải quyết không chỉ là kết nối mạng, mà còn là khả năng di chuyển dữ liệu với độ trễ thấp và băng thông cực lớn.
Đây là một kiến trúc rất quen thuộc trong các trung tâm dữ liệu data center hiện đại, đặc biệt khi triển khai hệ thống lưu trữ hiệu năng cao, AI cluster hoặc hạ tầng compute quy mô lớn.
Ở lớp edge (leaf), các máy chủ (host/initiator) và hệ thống lưu trữ (storage array/target) kết nối với tốc độ 100 GbE. Các leaf switch sau đó uplink lên lớp spine/core với tốc độ 400 GbE, tạo thành một fabric ECMP (Equal-Cost Multi-Path). Ý tưởng ở đây là thay vì phụ thuộc vào một đường đi duy nhất như thiết kế mạng truyền thống, traffic có thể được phân phối qua nhiều đường song song, giúp tăng throughput và giảm bottleneck.
Khuyến nghị đầu tiên là giảm tối đa over-subscription. Trong storage networking, đặc biệt với workload AI training, backup, distributed storage hoặc east-west traffic lớn, nếu uplink không đủ băng thông thì leaf sẽ trở thành điểm nghẽn. Vì vậy mô hình 100G ở edge và 400G ở core giúp fabric có đủ “xương sống - backbone” để vận chuyển dữ liệu.
Khuyến nghị thứ hai là host và storage nên chạy cùng tốc độ. Ví dụ server NIC 100G thì storage port cũng nên 100G. Nếu một bên nhanh, một bên chậm, sẽ tạo ra hiện tượng speed mismatch, dẫn đến buffer pressure, congestion và hiệu năng không ổn định.
Khuyến nghị cuối cùng là bắt đầu từ mạng nhỏ. Không phải mọi doanh nghiệp đều cần một storage fabric khổng lồ ngay từ đầu. Thay vì một fabric lớn phức tạp, nhiều fabric nhỏ độc lập đôi khi dễ vận hành, dễ scale và cô lập sự cố tốt hơn.
Thật ra, nếu chúng ta nhìn từ góc độ thiết kế hạ tầng cho AI Infrastructure, đây chính là triết lý thiết kế quen thuộc: dự đoán được độ trễ của mạng - predictable latency, non-blocking fabric, horizontal scale-out. Vì trong AI và tính toán hiệu năng cao HPC, bài toán cần giải quyết không chỉ là kết nối mạng, mà còn là khả năng di chuyển dữ liệu với độ trễ thấp và băng thông cực lớn.
Attached Files