Oracle Acceleron adiciona RDMA de front-end e failover multip inspirado para IA

A Oracle anunciou novos recursos de rede em nuvem do Oracle Acceleron para cargas de trabalho de IA durante o Oracle AI World, em Las Vegas, em 27 de outubro de 2026. As novidades incluem conectividade RDMA de front-end, opções ampliadas de armazenamento em bloco NVMe, que, segundo a Oracle, melhoram o desempenho em até 3 vezes, e uma biblioteca de comunicação coletiva para suas redes multip lanares.

Oracle Acceleron é o conjunto de tecnologias de rede e infraestrutura da Oracle Cloud Infrastructure para executar cargas de trabalho exigentes de IA com confiabilidade, segurança e em grande escala. Ele combina malhas de rede dedicadas, caminhos de dados mais diretos e uma NIC convergente com roteamento de confiança zero no nível do host e arquiteturas multiplanares voltadas à segurança e à resiliência. Os novos recursos abrangem três áreas: movimentação de dados de IA, comunicação distribuída de IA e infraestrutura segura de IA para vários locatários.

“Quando milhares de aceleradores trabalham juntos, um caminho congestionado ou com falha pode ter consequências que vão muito além de uma única conexão”, afirmou Pradeep Vincent, vice-presidente executivo de Computação e Infraestrutura de IA da OCI, no anúncio da Oracle. Vincent disse que a empresa está desenvolvendo o Acceleron para responder a esses problemas redirecionando o tráfego, recuperando-se de falhas e ajudando os clientes a crescer com segurança.

RDMA de front-end e armazenamento NVMe

O primeiro novo recurso, Oracle Acceleron High-Performance Fabric, leva conectividade RDMA à computação de front-end da OCI. Segundo a Oracle, ele ajuda os clientes a implantar cargas de trabalho de inferência, armazenamento e computação de alto desempenho (HPC) com melhor desempenho. O segundo recurso, a ampliação das opções de conexão de armazenamento em bloco NVMe nos formatos bare metal e de máquina virtual do Oracle Acceleron, melhora o desempenho em até 3 vezes em cargas de trabalho de IA, bancos de dados e outras que exigem muitos dados, segundo o anúncio.

Em uma publicação técnica no blog da OCI da Oracle, os autores descreveram o RDMA como uma forma de transferir dados diretamente entre as memórias de máquinas diferentes, com envolvimento mínimo da CPU. Ao contornar boa parte do processamento do sistema operacional e do software necessário em uma transferência convencional, a tecnologia reduz a latência, mantém alta taxa de transferência e deixa mais capacidade da CPU disponível para as aplicações. Os autores escreveram que esses benefícios vão além da comunicação entre GPUs e também se aplicam ao acesso ao armazenamento e às transferências entre clusters, mas que o RDMA é muito sensível a congestionamento, latência e perda de pacotes em uma rede compartilhada com cargas de trabalho mistas.

Um dos problemas de equidade é que o RDMA normalmente usa controle de congestionamento baseado em taxa, enquanto o TCP usa controle baseado em janela; dependendo dos padrões de tráfego, um dos mecanismos pode sobrecarregar o outro. Para preservar a equidade, a publicação afirma que as SmartNICs Oracle Acceleron usam baldes de tokens hierárquicos para acompanhar o consumo de largura de banda do tráfego RDMA e não RDMA: um balde pai representa a largura de banda compartilhada, com baldes filhos para cada classe de tráfego; à medida que os tokens se esgotam, a SmartNIC marca probabilisticamente os pacotes compatíveis com ECN ou descarta os pacotes que não podem responder, gerando um sinal gradual de congestionamento. O mecanismo não deixa capacidade ociosa: qualquer uma das classes de tráfego pode usar a largura de banda não utilizada. Ele também lida com o fenômeno de incast, que ocorre quando um switch de topo de rack se conecta a uma SmartNIC.

Para lidar com o congestionamento dentro da malha, a OCI usa controle de congestionamento baseado em atraso unidirecional nas SmartNICs Acceleron. Como explicaram os autores, medir o atraso no caminho de ida evita o sinal falso de congestionamento que uma medição de ida e volta pode gerar quando apenas o caminho de retorno está congestionado. Quando um fluxo apresenta atraso elevado, a SmartNIC testa três caminhos alternativos e o transfere para outro se encontrar uma opção melhor; caso contrário, sinaliza o congestionamento por meio da marcação ECN ou do descarte de pacotes. O RDMA de front-end da OCI é compatível com todos os tipos de pares de filas e verbos, permitindo que os clientes executem aplicações existentes sem modificações.

Comunicação coletiva e failover multiplanar

Os recursos de comunicação distribuída anunciados são a Oracle Collective Communications Library, ou OCCL, e a Transparent Front-End Multiplanar Networking. Segundo a Oracle, a OCCL ajuda a manter as cargas de trabalho distribuídas de IA em execução quando há falhas nos caminhos de rede, distribuindo o tráfego coletivo pela Multiplanar Network de back-end da OCI, direcionando-o para caminhos mais saudáveis e recuperando-se de falhas em links, portas ou NICs. A Transparent Front-End Multiplanar Networking leva a conectividade multiplanar às redes de front-end, com seleção transparente de caminhos e failover integrados, além de controle transparente de congestionamento para o tráfego RDMA de front-end.

O blog apresenta o problema em termos de treinamento: trabalhos sincronizados avançam apenas tão rápido quanto o link mais lento da cadeia. Assim, um único caminho congestionado ou com falha pode desacelerar toda a carga de trabalho, e o encaminhamento multipercurso de custo igual convencional fixa os fluxos em determinados caminhos sem levar em conta seu tamanho, o que resulta em utilização desigual dos links. As malhas multip lanares também exigiram NICs com várias portas e funcionalidades especializadas, algo que, segundo os autores, nem sempre é viável. A OCI desenvolveu a OCCL para eliminar essa restrição em cargas de trabalho gerais de IA e aprendizado de máquina.

OCCL é um plug-in para bibliotecas de comunicação coletiva amplamente adotadas, usadas por estruturas de IA para coordenar a troca de dados entre GPUs. Segundo a publicação, ele distribui o tráfego entre vários pares de filas, envia mais tráfego pelos pares de filas com maior vazão e transfere ativamente o tráfego para caminhos menos congestionados. Com isso, implementa o balanceamento de carga de mensagens e blocos com reconhecimento de congestionamento por meio da interface padrão de plug-in de rede CCL. O OCCL atribui dinamicamente mensagens de comunicação coletiva a pares de filas do modo Reliable Connection padrão, com base no congestionamento e no estado observados, e oferece failover no nível da porta e da placa de rede (NIC). Assim, redireciona a comunicação coletiva após uma falha de link ou de NIC, permitindo que o treinamento distribuído continue sem reiniciar o trabalho.

Transferir o failover, a recuperação e o balanceamento de carga com reconhecimento de congestionamento para a camada CCL desvincula essas funções do hardware e do firmware da rede e permite que sejam usados tanto em redes de plano único quanto em redes multiplanares, escreveram os autores. Eles acrescentaram que os clientes não precisam de controladores de roteamento complexos para selecionar caminhos ou detectar mudanças neles. A publicação, datada de 27 de outubro de 2026, foi escrita por Jag Brar, vice-presidente e engenheiro ilustre de Operações de Rede da OCI; Vincent; e Joy Ganguly, arquiteto da OCI.