Meta revela o MetaRoCE: um novo protocolo rdma otimizado para cargas de trabalho de IA

A Meta AI apresentou o MetaRoCE, um novo protocolo de transporte RDMA projetado especificamente para redes Ethernet em escala de IA. O protocolo representa uma mudança significativa em relação ao RoCE tradicional, tratando a rede como perdedora e transferindo responsabilidades-chave, como ordenação, seleção de caminhos e recuperação, para a placa de rede (NIC). Esta abordagem permite um tratamento mais eficiente de operações coletivas como all-reduce e all-to-all, que são críticas para o treino de modelos de IA em grande escala. O MetaRoCE está a ser desenvolvido no âmbito do Open Compute Project (OCP), com a especificação, uma implementação de referência e um conjunto de testes de conformidade a serem lançados no 2026 na Conferência Global OCP. O protocolo já foi testado em placas de rede AMD Pensando programáveis, com outras implementações em desenvolvimento de outros fornecedores. O suporte de hardware está atualmente numa fase inicial, e o foco continua nas decisões de arquitetura de rede, em vez de aquisição. O desempenho do protocolo foi validado num cluster de GPU AMD de 64 nós, onde superou o RoCEv2 tanto em termos de taxa de transferência quanto de tempos de conclusão de fluxo. O MetaRoCE mantém aproximadamente 86% da taxa de transferência mesmo com 1% de perda de pacotes e continua a fornecer uma largura de banda útil em taxas de perda de 10%, demonstrando a sua resiliência. A validação multi-plano em topologias de 4 e 8 planos confirmou a escalabilidade linear com o número de planos, e a simulação de falhas de planos mostrou a redistribuição do tráfego sem intervenção da aplicação ou do operador. O MetaRoCE estende a filosofia multi-fornecedor estabelecida pela iniciativa Ethernet Scalable Unified Network (ESUN) do OCP para a camada de transporte. Três artefatos-chave estão a ser lançados: a especificação completa, um conjunto de testes de conformidade para validação do fornecedor e libsoftmetaroce como o modelo comportamental autoritativo para o desenvolvimento de silício. O protocolo baseia-se no trabalho de escala de RoCE da Meta em 2024 e na evolução mais ampla da infraestrutura, representando um passo significativo na otimização do desempenho da rede para cargas de trabalho de IA.