Meta presenta MetaRoCE: un nuevo protocolo rdma optimizado para cargas de trabajo de IA

Meta AI ha introducido MetaRoCE, un nuevo protocolo de transporte RDMA diseñado específicamente para redes Ethernet a escala de IA. El protocolo representa un cambio significativo con respecto a RoCE tradicional, al tratar la red como una red con pérdidas y al trasladar responsabilidades clave como el ordenamiento, la selección de rutas y la recuperación a la tarjeta de interfaz de red (NIC). Este enfoque permite un manejo más eficiente de las operaciones colectivas como all-reduce y all-to-all, que son cruciales para el entrenamiento de modelos de IA a gran escala. MetaRoCE se está desarrollando como parte del Open Compute Project (OCP), y se espera que la especificación, una implementación de referencia y un conjunto de pruebas de conformidad se publiquen en el 2026 en el OCP Global Summit. El protocolo ya se ha probado en NICs programables AMD Pensando, y otras empresas están desarrollando implementaciones adicionales. El soporte de hardware se encuentra actualmente en una etapa temprana, y el enfoque sigue estando en las decisiones de arquitectura de la red en lugar de en la adquisición. El rendimiento del protocolo se ha validado en un clúster de GPU de 64 nodos de AMD, donde superó a RoCEv2 tanto en rendimiento como en tiempos de finalización de flujo. MetaRoCE mantiene aproximadamente un rendimiento del 86% incluso con una pérdida de paquetes del 1%, y continúa proporcionando un ancho de banda útil a tasas de pérdida del 10%, lo que demuestra su resiliencia. La validación multiplano en topologías de 4 y 8 planos confirmó la escalabilidad lineal con el número de planos, y las simulaciones de fallos de planos mostraron la redistribución del tráfico sin intervención de la aplicación o del operador. MetaRoCE extiende la filosofía de múltiples proveedores establecida por la iniciativa Ethernet Scalable Unified Network (ESUN) de OCP a la capa de transporte. Se están publicando tres artefactos clave: la especificación completa, un conjunto de pruebas de conformidad para la validación del proveedor y libsoftmetaroce como el modelo de comportamiento autoritativo para el desarrollo de silicio. El protocolo se basa en el trabajo de Meta en RoCE a escala de 2024 y en la evolución más amplia de la infraestructura, lo que representa un paso significativo para optimizar el rendimiento de la red para las cargas de trabajo de IA.