- Überblick
- Alle Modelle
- Unterstützung
Realwelt-Verkehrssimulation für 800GE und 1.6T Netzwerke
Keysight interconnect and network performance testers deliver ultra-high-speed traffic generation for validating the bandwidth, latency, and stability of copper and optical interconnects in AI clusters and data center networks. Available in 800GE and 1600GE models, these testers emulate realistic traffic profiles and congestion control protocols to characterize the performance of switches, cables, and accelerators in AI / ML environments, with detailed metrics from PHY and link-layer error correction algorithms. With 1.6T support in both benchtop and rack-mount form factors, these systems give network equipment developers and data center operators the insight needed to optimize interconnects for AI workload processing. Request a quote for one of our popular configurations today. Need help selecting a model? Check out the resources below.
1.6T Verkehrserzeugung
Testen Sie KI-Netzwerkkomponenten der nächsten Generation, Verbindungen und Kabel mit Leitungsgeschwindigkeiten von 800GE und 1600GE, einschließlich FEC- und Bitfehlerratenanalyse (BER).
KI-Trainingsemulation
Simulieren Sie sprunghafte, realistische Datenflüsse, die die Arbeitslasten von KI-Training und -Inferenz über Beschleuniger und Verbindungen hinweg widerspiegeln.
Stauanalyse
Messen Sie das Switch-Verhalten, den Link-Jitter, die Warteschlangenlänge und die Latenz unter realistischen, hochskalierten Verkehrsszenarien.
Flexibler Formfaktor
Leichtes, geräuscharmes Gehäuse und Rackmount-Optionen ermöglichen 1.6T Silizium-, Optik- und Kabeltests überall.
-
Interface speed modes
800GE, 400GE, 200GE, 100GE, 1600GE
-
Interface
OSFP800, OSFP1600
Beliebteste Konfigurationen
Verbindungs- und Netzwerkleistungstester, 4-Port-Tischgehäuse
Zwei-Port-Tischgehäuse
Halb-Rackmount-Gehäuse mit zwei Ports
Dienstleistungen und Support
Innovieren Sie im Handumdrehen mit maßgeschneiderten Supportplänen und priorisierten Reaktions- und Bearbeitungszeiten.
Profitieren Sie von planbaren, leasingbasierten Abonnements und umfassenden Lifecycle-Management-Lösungen – damit Sie Ihre Geschäftsziele schneller erreichen.
Als KeysightCare-Abonnent profitieren Sie von einem erweiterten Service mit zuverlässiger technischer Unterstützung und vielem mehr.
Stellen Sie sicher, dass Ihr Testsystem den Spezifikationen entspricht und sowohl lokale als auch globale Standards erfüllt.
Schnelle Messungen dank hauseigener, von Ausbildern geleiteter Schulungen und E-Learning.
Laden Sie die Keysight-Software herunter oder aktualisieren Sie Ihre Software auf die neueste Version.
Häufig gestellte Fragen
KI-Rechenzentren benötigen hochpräzise synchronisierte Verbindungen mit hoher Bandbreite zwischen GPUs, Switches und Beschleunigern. Schwachstellen in den Kupfer- oder Glasfaserverbindungen, wie Signalverschlechterung, Strominstabilität oder thermische Probleme, können Latenzzeiten verursachen, Trainingsverzögerungen hervorrufen oder die Effizienz der Jobabwicklung insgesamt verringern. Die Validierung von Verbindungen gewährleistet die zuverlässige Funktion von Hochgeschwindigkeitsverbindungen unter der intensiven und anhaltenden Belastung durch KI-Training und -Inferenz. Die Keysight-Produkte für Verbindungs- und Netzwerkleistungstests simulieren Datenverkehr mit voller Datenrate von bis zu 1,6 Tbit/s über elektrische 212-Gbit/s-Leitungen. So können Ingenieure Interoperabilität, Leistungsreserven und das Verhalten von Transceivern, AOCs, DACs und Midboard-Optiken vor dem Einsatz in großen GPU-Clustern oder KI-Fabric-Netzwerken validieren.
KI-Workloads erzeugen hochgradig synchronisierte, ungleichmäßige Datenverkehrsmuster, die sich deutlich von herkömmlichen Unternehmens- oder Cloud-Workloads unterscheiden. Dazu gehören sprunghafte, hochgradig verteilte Datenströme, kollektive Operationen und Latenzempfindlichkeit im Mikrosekundenbereich im Ost-West-Verkehr des Rechenzentrums. Herkömmliche Verkehrsgeneratoren verwenden oft synthetische Paketströme im stationären Zustand, die reale Leistungsengpässe nicht aufdecken. INPT-Systeme nutzen KI-spezifische Verkehrsmodellierung, um das Kommunikationsverhalten zwischen KI-Beschleunigern und GPUs präzise zu emulieren und dabei Timing, Burstgröße und Synchronisationsdynamik auf Jobebene nachzubilden. Dieser Ansatz ermöglicht eine aussagekräftige Leistungsbewertung von Verbindungen unter Bedingungen, die realen KI-Trainingsszenarien entsprechen. So lassen sich Engpässe aufdecken und Routing und Design auf Netzwerkebene optimieren.
Tests bei 800GE und 1.6T Für diese hohen Geschwindigkeiten werden Traffic-Generatoren benötigt, die eine Übertragung mit voller Leitungsgeschwindigkeit über 112-Gbit/s- und 224-Gbit/s-Leitungen mittels PAM4-Signalisierung ermöglichen. Die INPT-Lösungen von Keysight bieten Ethernet-Traffic-Generierung mit hoher Dichte und bis zu 1,6 Tbit/s pro Port. Sie unterstützen konfigurierbare Konfigurationen für 1x1600GE, 2x800GE, 4x400GE oder 8x200GE. Diese Plattformen simulieren Worst-Case-Szenarien mit realen Anwendungsschichtprotokollen und ermöglichen es Ingenieuren, Durchsatz, Latenz und FEC-Toleranz unter Last zu messen. Das System kann Transceiver mit einer Leistungsaufnahme von bis zu 40 W pro Port testen und so die einwandfreie Funktion optischer Verbindungen der nächsten Generation unter realistischen thermischen und elektrischen Betriebsbedingungen sicherstellen.
Die Verbindungsleistung muss über mehrere Schichten hinweg gemessen werden, um einen robusten Betrieb in KI-Infrastrukturen zu gewährleisten. Zu den kritischen Metriken gehören Latenz auf Verbindungsebene, FEC-Korrekturraten, Paketverlust, Jitter, Reaktionsfähigkeit bei Überlastung und Warteschlangenlänge. Die Keysight INPT-Plattformen bieten detaillierte Telemetrie und Echtzeitanalysen, die Engpässe bei intensiven Datenübertragungen aufdecken. Ingenieure können das Geräteverhalten unter Bedingungen wie Pufferüberlastung, erneuten Übertragungen oder asymmetrischer Verkehrslast überwachen. Diese Transparenz trägt zur Optimierung des Silizium-Designs, der Switch-Firmware und der Topologie bei und verbessert letztendlich die Netzwerkeffizienz und -stabilität beim Training und der Inferenz von KI-Modellen im großen Maßstab.