AI 流量正在改写数据中心网络：从“连通”到“可观测的确定性”

AI 训练与推理改变了流量模型，传统数据中心网络的假设正在失效。SRv6/IPv6、端到端遥测与网络自动化，成为新一轮网络建设的共识方向。

网络与连接基础设施与云 7 分钟阅读 CSSTH 服务团队

传统数据中心网络的核心目标是“连通”：把服务器、存储和用户连起来，保证带宽和冗余。AI 集群把另一组指标推到前台：尾延迟、抖动、丢包、拥塞和故障定位速度。网络是否“通”，已经不足以说明它是否“可用”。

共识一：AI 流量让传统 Fabric 的假设失效

分布式训练产生大量同步的象流和突发流量，AllReduce 等通信模式容易造成 ECMP 哈希极化、PFC 风暴和链路利用率不均。传统 EVPN-VXLAN 在跨域、封装开销和路径确定性上，也开始显露边界。

行业正在探索更可编程的底层：SRv6 把路径和策略写入报文，减少 Fabric 内部协议拼接；部分超大规模场景采用源路由和简化控制面，以换取更短的收敛时间和更确定的转发行为。对普通企业而言，不一定马上上 SRv6，但需要意识到：AI 网络的设计目标已经从“平均带宽”转向“尾延迟和确定性”。

共识二：800G 与 IPv6 是代际变化，不只是速率升级

AI 后端网络正在快速进入 800G 时代，1.6T 也开始进入验证阶段。与此同时，IPv6 不再只是园区网的地址扩容手段，而是云和 AI 网络的基础协议：单栈、可编程、可遥测，正在成为大型网络的共同选择。

这两个变化会同时影响选型、运维和安全。更高带宽意味着光模块、线缆、散热和测试方法都要更新；IPv6 则要求重新梳理地址规划、访问控制、路由策略和监控。把二者当成“设备替换”，很容易在割接后才发现运维工具和人员能力没有跟上。

共识三：没有端到端遥测，就没有 AI 网络的运维

AI 网络的故障往往发生在微秒级：微突发、丢包、PFC、队列抖动，传统五分钟一次的 SNMP 采样很难捕捉。行业正在采用高频遥测、带内网络遥测（INT）、流级分析和自动化关联，把“网络是否健康”从经验判断变成可验证的数据。

网络自动化也不再是批量下发配置，而是与变更管理、合规检查和回滚机制绑定。没有可观测性和自动化，AI 网络的变更风险会随着规模非线性上升。

对运维与建设团队的启示

先梳理 AI 流量的东西向模型，再决定 Fabric 架构和拥塞控制策略。
在新建或扩容中预留 800G 能力，同时验证光模块、线缆和测试工具。
把 IPv6 纳入地址、路由、安全和监控的统一规划，不要留到最后补课。
为关键链路部署高频遥测，建立微突发、丢包和尾延迟的基线。

参考来源

相关能力