Oracle Acceleron introduce RDMA front-end e failover multipiano per l’IA

Oracle ha annunciato nuove funzionalità di rete cloud di Oracle Acceleron per i carichi di lavoro IA durante Oracle AI World, a Las Vegas, il 27 ottobre 2026. Le novità includono la connettività RDMA front-end, opzioni ampliate di storage a blocchi NVMe che, secondo Oracle, migliorano le prestazioni fino a 3 volte e una libreria di comunicazioni collettive per le reti multipiano dell’azienda.

Oracle Acceleron è la suite di tecnologie di rete e infrastruttura di Oracle Cloud Infrastructure, progettata per eseguire carichi di lavoro IA impegnativi in modo affidabile e sicuro, su larga scala. Combina fabric di rete dedicati, percorsi dati più diretti e una NIC convergente con instradamento zero trust a livello host e architetture multipiano per garantire sicurezza e resilienza. Le nuove funzionalità riguardano tre aree: il trasferimento dei dati per l’IA, la comunicazione distribuita per l’IA e l’infrastruttura IA sicura per ambienti multi-tenant.

«Quando migliaia di acceleratori lavorano insieme, un percorso congestionato o non funzionante può avere conseguenze ben più ampie di una singola connessione», ha dichiarato Pradeep Vincent, vicepresidente esecutivo per l’infrastruttura di calcolo e IA di OCI, nell’annuncio di Oracle. Vincent ha affermato che l’azienda sta sviluppando Acceleron per rispondere a queste situazioni reindirizzando il traffico, ripristinando il servizio dopo i guasti e aiutando i clienti a crescere in sicurezza.

RDMA front-end e storage NVMe

La prima nuova funzionalità, Oracle Acceleron High-Performance Fabric, porta la connettività RDMA al calcolo front-end di OCI e, secondo Oracle, aiuta i clienti a distribuire carichi di lavoro di inferenza, storage e calcolo ad alte prestazioni con prestazioni superiori. La seconda novità consiste nell’ampliamento delle opzioni di collegamento dello storage a blocchi NVMe per le configurazioni bare metal e le macchine virtuali di Oracle Acceleron; secondo l’annuncio, queste opzioni migliorano le prestazioni fino a 3 volte per i carichi di lavoro IA, database e altre attività a elevato consumo di dati.

In un articolo tecnico sul blog OCI di Oracle, gli autori hanno descritto RDMA come una tecnologia che trasferisce i dati direttamente tra la memoria di macchine diverse, con un coinvolgimento minimo della CPU. In questo modo evita gran parte dell’elaborazione del sistema operativo e del software richiesta da un trasferimento convenzionale, riducendo la latenza, mantenendo un throughput elevato e lasciando più capacità della CPU alle applicazioni. Gli autori hanno scritto che questi vantaggi non si limitano alla comunicazione da GPU a GPU, ma si estendono anche all’accesso allo storage e ai trasferimenti tra cluster; RDMA è tuttavia molto sensibile alla congestione, alla latenza e alla perdita di pacchetti in una rete condivisa con carichi di lavoro misti.

Un problema di equità deriva dal fatto che RDMA usa in genere un controllo della congestione basato sulla velocità, mentre TCP ne usa uno basato sulla finestra: a seconda dei modelli di traffico, un meccanismo può sopraffare l’altro. Per garantire l’equità, si legge nell’articolo, le SmartNIC di Oracle Acceleron usano bucket di token gerarchici per monitorare il consumo di banda del traffico RDMA e non RDMA: un bucket padre rappresenta la banda condivisa, mentre bucket figli corrispondono a ciascuna classe di traffico. Quando i token si esauriscono, la SmartNIC contrassegna in modo probabilistico i pacchetti compatibili con ECN oppure scarta quelli che non possono reagire, generando un segnale di congestione graduale. Il meccanismo utilizza tutta la capacità disponibile, consentendo a ciascuna classe di traffico di prendere in prestito la banda inutilizzata; inoltre, gestisce il fenomeno dell’incast, che si verifica quando uno switch top-of-rack è collegato a una SmartNIC.

Per gestire la congestione all’interno del fabric, OCI utilizza sulle SmartNIC Acceleron un controllo della congestione basato sul ritardo unidirezionale. Come hanno spiegato gli autori, misurare il ritardo sul percorso in avanti evita il falso segnale di congestione che può derivare da una misurazione del tempo di andata e ritorno quando è congestionato soltanto il percorso inverso. Quando rileva un ritardo elevato su un flusso, la SmartNIC verifica tre percorsi alternativi e lo sposta se ne trova uno migliore; in caso contrario, segnala la congestione contrassegnando i pacchetti con ECN oppure scartandoli. RDMA front-end di OCI supporta tutti i tipi di coppie di code e i relativi verbi, consentendo ai clienti di eseguire le applicazioni esistenti senza modificarle.

Comunicazioni collettive e failover multipiano

Le funzionalità annunciate per le comunicazioni distribuite sono Oracle Collective Communications Library, o OCCL, e il networking multipiano front-end trasparente. Oracle ha affermato che OCCL contribuisce a mantenere operativi i carichi di lavoro IA distribuiti in caso di guasto dei percorsi di rete, distribuendo il traffico collettivo sulla rete multipiano di backend di OCI, indirizzandolo verso i percorsi più efficienti e ripristinando la connettività in caso di guasto di collegamenti, porte o NIC. Il networking multipiano front-end trasparente porta le reti multipiano anche sul front-end, con selezione automatica e trasparente dei percorsi e failover, oltre a un controllo trasparente della congestione per il traffico RDMA front-end.

Nel blog, il problema viene descritto in termini di addestramento: i processi sincronizzati avanzano soltanto alla velocità del collegamento più lento della catena, quindi un singolo percorso congestionato o non funzionante può rallentare l’intero carico di lavoro. Inoltre, il normale inoltro multipercorso a costo uguale assegna i flussi ai percorsi senza conoscerne le dimensioni, causando un utilizzo disomogeneo dei collegamenti. I fabric multipiano hanno richiesto anche NIC multiporta con funzionalità specializzate, una soluzione che, secondo gli autori, non è sempre realizzabile. OCI ha sviluppato OCCL per eliminare questo vincolo nei carichi di lavoro generici di IA e apprendimento automatico.

OCCL è un plug-in per le librerie di comunicazione collettiva più diffuse, utilizzate dai framework di IA per coordinare lo scambio di dati tra GPU. Secondo il post, distribuisce il traffico su più coppie di code, ne invia una quantità maggiore sulle coppie che registrano un throughput più elevato e lo instrada attivamente verso percorsi meno congestionati. In questo modo realizza il bilanciamento del carico a livello di messaggi e di blocchi, tenendo conto della congestione e tramite l’interfaccia standard dei plug-in di rete CCL. Assegna dinamicamente i messaggi di comunicazione collettiva alle coppie di code Reliable Connection standard in base alla congestione e allo stato rilevati; supporta inoltre il failover a livello di porta e di NIC, reindirizzando la comunicazione collettiva in caso di guasto di un collegamento o di una NIC, così che l’addestramento distribuito possa proseguire senza riavviare il processo.

Secondo gli autori, spostare il failover, il ripristino e il bilanciamento del carico consapevole della congestione nel livello CCL separa queste funzioni dall’hardware e dal firmware di rete e consente di operare sia con reti a singolo piano sia con reti multipiano. Gli autori aggiungono che i clienti non hanno bisogno di controller di instradamento complessi per selezionare i percorsi o rilevare i cambiamenti di percorso. Il post, datato 27 ottobre 2026, è stato scritto da Jag Brar, vicepresidente e ingegnere illustre per OCI Networking Ops; Vincent; e Joy Ganguly, architetto di OCI.