對於許多剛接觸基礎設施的工程師來說，資料中心網路通常被視為一個黑盒子。但當規模達到 AWS 這種超大規模（Hyperscale）時，網路拓撲的微小效率差異，就會直接轉化為數億美元的成本與巨大的電力消耗。近期 AWS 公開了其全新的網路架構 Resilient Network Graphs（RNG），將數學上的隨機圖論應用於實體機房，成功在提升效能的同時，大幅減少硬體設備。
理解 RNG 之前，必須先了解它取代的傳統方案：Fat-Tree 拓撲。
在傳統的 Fat-Tree（胖樹）架構中，網路是分層設計的。伺服器連接到機架頂端交換機（ToR），ToR 再連接到聚合層（Aggregation Layer），最後匯聚到核心脊椎交換機（Spine Switches）。這種層級結構就像一棵樹，流量在不同機架之間傳輸時，必須先「向上爬」到核心層，再「向下走」到目的地。
這種設計存在兩個核心痛點。首先是瓶頸問題，如果核心層的鏈路擁塞，即便其他地方頻寬充足，整體吞吐量也會下降。其次是擴充成本高昂，若要增加容量，通常必須增加整個交換機層級，這意味著更多的設備、更多的電纜以及更高的功耗。
AWS 引入的 RNG 則完全打破了這種層級觀念。RNG 基於準隨機圖論（Quasi-random Graph Theory），其核心理念是將網路扁平化。在 RNG 中，不再有核心層或聚合層，而是讓每個機架的 ToR 交換機直接透過隨機的連接方式，與其他隨機選定的 ToR 節點相連。
這種設計將網路變成了一個巨大的網狀結構，而非樹狀結構。這樣做最大的好處是消除了單一瓶頸，且由於連接是隨機分佈的，流量會更均勻地散開，減少了熱點鏈路（Hot Links）的出現。
然而，將數學理論轉化為實體機房面臨兩個巨大的工程挑戰：實體佈線與路由路徑。
首先是佈線挑戰。在現實中，你不可能在資料中心裡隨意地拉成千上萬條亂七八糟的電纜。為了達成邏輯上的隨機連接，同時保持實體佈線的整潔，AWS 開發了 ShuffleBox。這是一種被動光學設備，內部透過預先設計好的光纖混洗（Shuffle）接線，讓工程師只需將線纜插入本地端口，但在邏輯上卻達成了隨機連接。由於 ShuffleBox 是被動元件，它不需要電力，也不會增加延遲或產生故障點。
其次是路由挑戰。失去了層級結構，封包不再有明確的向上或向下路徑。AWS 因此開發了名為 Spraypoint 的自定義分佈式協定。該協定採取一種特殊的策略：將流量同時地「噴灑」（Spray）到相鄰的多個路由器上，並利用指定的路徑點（Waypoints）引導封包到達目的地。雖然將同一個封包複製多份發送看似浪費頻寬，但在 RNG 這種高冗餘的環境中，利用閒置頻寬來換取極低延遲與高可用性，比讓頻寬閒置更具效益。
從維運角度來看，RNG 帶來最顯著的改變是韌性（Resilience）。在 Fat-Tree 中，如果一個核心交換機故障，可能會導致其下方所有機架的流量劇降，產生災難性影響。但在 RNG 中，由於連接極其均勻，失去 1% 的路由器僅會導致約 1% 的容量損失。網路效能是線性下降而非崩潰式掉線。
根據 AWS 的數據，這套架構讓網路設備數量減少了 69%，吞吐量提升最高 33%，且預計降低 40% 的設備功耗。
不過，RNG 並非萬能藥。它主要針對通用運算（General-purpose Compute）場景，因為這類流量模式接近隨機分佈。對於 AI 訓練等需要高度協同、集中式流量的 GPU 集群，AWS 仍維持使用其 UltraServer 架構，因為 AI 運算的流量特性與 RNG 的隨機模型不匹配。
總結來說，AWS 的這次轉型證明了將深層數學理論應用於實體工程的可能性。透過 ShuffleBox 解決物理限制，並用 Spraypoint 解決邏輯路由，AWS 成功將資料中心網路從昂貴的層級結構轉向高效的扁平化隨機圖論架構。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。