成功案例
HPE Juniper Networking 打造新一代 AI 基礎架構
為了擴展支援人工智慧的網路，HPE Juniper Networking 需要在部署前，根據實際人工智慧工作負載的需求來驗證資料中心交換機的效能。透過 Keysight，HPE Juniper Networking 運用原生人工智慧的模擬與驗證工具，對支援人工智慧的基礎架構進行了測試與優化。
大規模驗證人工智慧網路的效能
HPE Juniper 網路解決方案案例研究重點
上一個
- 他們是誰
- 挑戰
- 他們是如何解決這個問題的
- 結果
網路基礎設施領導者
HPE Juniper Networking 專為全球要求最嚴苛的資料中心環境設計高效能網路平台。隨著 AI 工作負載推動大規模 GPU 部署，客戶對網路效能、擴展性與可靠性的要求日益提高。這些轉變使得 HPE Juniper Networking 的資料中心基礎架構成為影響 GPU 利用率、效能及成本效益的關鍵因素，也讓在部署前驗證 AI 就緒架構的重要性更為關鍵。
驗證部署效能
HPE Juniper Networking 需要在客戶部署前，驗證高位元組數的 QFX5230 和 QFX5240 交換平台能否在實際的 AI 流量環境下穩定運作。AI 環境會產生持續時間長且具高頻寬的流量流，俗稱「大象流量」（elephant flows），這類流量會透過東西向流量對網路架構造成壓力，這與傳統資料中心的流量截然不同。 透過模擬技術，可測試各項功能的基本行為，並驗證命令列介面 (CLI) 參數的運作機制。挑戰在於如何在不建置龐大實體 GPU 叢集的情況下，證明系統在這些 AI 特定條件下的效能表現。
原生 AI 流量模擬
透過使用專為 AI 資料中心打造的流量模擬平台 Keysight AresONE，HPE Juniper Networking 成功以最高達 800GE 的線速模擬 RoCEv2 流量。 流量可能呈現突發性，並展現特定模式，例如「全對全」模式，即眾多 GPU 試圖相互傳輸資料，進而引發內播（in-cast）擁塞。透過重現 AI 特有的流量模式與 GPU 叢集行為，HPE Juniper Networking 得以模擬真實世界的擁塞、緩衝及負載平衡情境。 是德科技的解決方案透過模擬 GPU 及遠端直接記憶體存取 (RDMA) 網路介面卡 (NIC)，生成逼真的 AI 工作負載流量。此方法使 HPE Juniper Networking 無需部署大量實體 GPU，即可驗證進階交換機功能與運作控制，從而降低風險並加速客戶環境的部署準備。
經實證的 AI 大規模運作效能
HPE Juniper Networking 運用是德科技（Keysight）的原生 AI 流量模擬技術，在 AI 資料中心的運作環境下，對其高位元組交換機的實際效能進行了驗證與優化。這使 HPE Juniper Networking 得以加速功能驗證，並大幅降低部署風險。最終，HPE Juniper Networking 成功展現了從數百至數萬個 GPU 的可擴展且可靠的網路效能。
探索 HPE Juniper Networking 所採用的工具
探索相關資源
白皮書
AI／ML 網路與傳統網路的差異
關於 AI/ML 如何真正影響資料中心網路與設計的熱門技術問答。
白皮書
擴展 AI 資料中心以實現實際效能
關於人工智慧基礎設施規模下模擬、驗證及叢集行為的技術洞見。
報告
AI 叢集網路的瓶頸、擴展性與未來發展
基於調查的研究洞見，涵蓋人工智慧資料中心的基礎設施投資、模擬技術落差、互連技術採用情況，以及優化優先順序。
×
請銷售人員與我聯絡。
*表示必填欄位
感謝您！
業務代表將很快與您聯絡。