智算中心就像人工智能、数据分析和高端计算领域的“超级大脑”，是支撑这些领域运转的关键基础设施。无论是处理复杂的计算任务，还是高效处理海量数据，它都不可或缺。近年来，随着国家“东数西算”工程的持续推进及相关政策的大力扶持，国家在智算中心建设上投入大量资源，旨在搭建覆盖全国的高性能算力网络，为人工智能和数字经济发展筑牢技术根基。智算中心并非依赖单个设备“单打独斗”，而是整合分散的计算资源与高效的网络技术，形成协同性强的“算力+存储”综合平台。它不仅能承接深度学习模型训练等高强度任务，还可满足科学计算模拟、大规模分布式存储等多样化应用需求。

智算中心的网络架构呈现出显著的层次性与分布式特征。通常而言，一个智算中心由多个部署于不同地理位置的数据中心构成，这种分布式布局可有效弥补单个数据中心的短板，例如计算能力不足、供电与冷却系统负荷受限等问题。毕竟单个数据中心受物理空间和资源供给的约束，难以支撑大规模的计算任务。多个数据中心分散部署后，会通过专用长距离光纤实现互联，进而达成算力资源的高效协同与灵活调度。该模式不仅能提升整个系统的可靠性与抗风险能力，还可灵活响应不同区域的算力需求。聚焦单个数据中心内部，当前应用最广泛的是“胖树（Fat-tree）”网络拓扑结构。该结构通过多层交换机的分层连接设计，既能支撑海量计算节点并行运转，又能有效缓解网络拥堵、规避拓扑失衡问题，保障数据传输的高速性与稳定性。

随着智算中心承载任务规模的持续扩大，对网络性能的要求也不断攀升，尤其在超低延迟、高吞吐两大核心维度提出了更为严苛的标准。国家在智算中心建设规划中明确指出，需通过构建高速、低延迟的网络架构，推动算力资源的高效协同。然而，传统以太网架构受限于较高的协议栈开销及延迟瓶颈，在支撑智算中心大规模分布式训练、高性能计算、分布式存储等核心任务时，难以满足需求，面临诸多挑战。为破解这一困境，远程直接内存访问技术（Remote Direct Memory Access，RDMA）凭借其绕开操作系统内核、实现设备间直接内存访问的核心优势，已成为智算中心网络架构中的关键组成部分。

RDMA技术通过将传统网络协议栈操作卸载至硬件网卡（Network Interface Card，NIC）（操作①），实现发送端与接收端内存间的数据直接传输，避免了系统内核处理器的干预，同时省去了传统以太网架构中必需的多次内存拷贝操作（操作②）。这一设计大幅降低了传输延迟，还显著提升了数据传输效率。其具备的零拷贝（zero-copy）机制与超低CPU占用率特性，让RDMA成为支撑高性能计算、分布式训练及机器学习训练的核心技术工具。例如，在智算中心网络承载GPU集群深度学习训练任务时，RDMA的高传输吞吐与超低时延优势，能有效缩短节点间的通信耗时，进而显著加速模型训练进程。

RDMA技术的实现方式主要包括iWARP、InfiniBand和RoCEv2三种。其中，iWARP基于TCP/IP协议栈，可在标准以太网设备上运行，兼容性较好，但受限于传统协议栈，延迟性能略逊于其他两种方式；InfiniBand是一种高性能专用互连技术，以超高带宽和超低延迟为核心优势，不过其需搭配专用网络设备，成本较高，仅适用于对性能要求极为苛刻的场景；基于融合以太网的RDMA（RDMA over Converged Ethernet v2，RoCEv2）是目前应用最广泛的实现方式，它兼具以太网的灵活性与RDMA的高性能，支持在现有组网设备上大规模部署，已成为智算中心RDMA网络架构的主流选择。

随着RDMA技术的广泛普及， 许多领先的互联网科技企业在其智算中心网络中大规模部署了这一 技术，以满足高性能计算、分布式业务以及机器学习训练等仟务对网络性能的严苛要求。 例如：

从统计结果可见，国外RDMA部署侧重商业化生态构建和极致性能适配，国内则聚焦智算中心建设、算网融合及国产化替代，RoCEv2因兼容性和成本优势成为国内外主流技术路线。

尽管RDMA技术在智算中心网络中展现出显著的性能优势，但在大规模部署及复杂业务场景下，其传输性能仍受多种因素制约。例如，网络流量拥塞、资源竞争等问题，常会导致RDMA实际效能受损——尤其主流的RoCEv2协议基于UDP实现，缺乏完善的丢包保护机制，对网络拥塞和丢包异常敏感，一旦出现Incast流量瞬时突发，易造成设备队列缓存溢出，进而引发时延增加、吞吐下降等问题。要进一步释放RDMA的技术潜力，实现高效的传输控制与网络资源利用，网络传输控制技术的优化与创新至关重要。而传输控制技术的持续优化，将成为推动RDMA在更大规模、更复杂场景下落地的关键支撑。