DCN：光与IP融合 GMPLS构筑AI算力网络新控制平面

2026-05-25

随着AI 推理需求的爆发式增长，“万卡”“十万卡”级智算集群加快建设，业务应用对网络基础架构和性能要求持续提高，传统算力网络正面临“带宽墙”、“延迟墙”及“功耗墙”等严峻挑战，全光交换技术(Optical Circuit Switch，以下简称 OCS)凭借其超高带宽、超低延迟、极低能耗等核心优势，逐步成为突破电交换功耗墙、成本墙的核心技术。早在2005年，OCS就因其区别于传统网络架构的独特优势引起相关学者关注，并逐步被验证和成功实践，但从行业规模应用来看，其仍面临架构重构风险高、控制面定制化门槛高、生态封闭等多重痛点。在此背景下，通用多协议标签交换(Generalized Multiprotocol Label Switching，以下简称GMPLS)作为 IETF 标准化协议，可兼容现有 CLOS+BGP 架构，实现光层与IP层无缝协同，成为目前 AI 数据中心网络(DCN)光交换规模化部署的新型控制平面方案，为OCS的规模化应用提供了进一步的支撑。

一、OCS 发展历程

OCS 自2005年初现以来，历经 20 余年演进，逐步从运营商场景走向AI超级计算机核心。

（一）基础探索期（2000-2005）

光交换研究主要聚焦光分组交换(OPS)、光突发交换(OBS)和光路交换(OCS)三条技术路线，主要应用场景集中在运营商网络。

（二）架构萌芽期（2005-2010）

数据中心光互连需求明确，OCS可行性得到验证。

2005年，Barker等人在SC会议上发表《On the feasibility of optical circuit switching for high performance computing systems》，首次系统论证了OCS在HPC系统中的可行性。

这一时期，学术界开始意识到：传统电交换在Spine层面临功耗墙和成本墙，光交换的引入势在必行。

（三）学术原型期（2010-2014）混合架构的黄金时代

Helios、OSA、MORDIA等混合架构逐步问世，确立“电处理突发+光处理大流” 核心思路初步构建。

（四）产业落地期（2014-2020）

Google 启动Apollo OCS项目，自研光交换机并率先在商用数据中心网络中规模化部署，证明了光交换在商用 DCN 中互联的可行性，数据中心网络逐步从传统Clos架构演进为融合 OCS 的动态可重构拓扑(如 Google 的 Lightwave Fabric)。

（五）AI驱动爆发期（2020-2026）

Google在SIGCOMM 2023发表《Lightwave Fabrics》，将OCS应用从传统数据中心网络扩展到AI超级计算机，系统可用性提升3倍,模型训练性能提升最高达3.3倍，标志着OCS技术从学术原型(如Helios、OSA)和早期部署(Apollo项目)进入了大规模生产级AI超级计算机的应用阶段。

随着 AI 训练集群规模持续突破，传统电交换 Spine-Leaf架构无法满足大带宽、低时延、高稳定的流量需求， OCS已成为数据中心网络升级的必然选择。

二、OCS规模化落地核心痛点

从OCS的发展历程及其应用来看，Google Apollo项目自2015年起启动，经过多年研发，最终在2022-2023年实现OCS的规模化生产部署，成为数据中心网络领域的标志性项目。但从技术架构角度分析，Google 的OCS部署成功依赖拓扑重构、深度定制 SDN、软硬件垂直整合三大封闭条件，对行业通用场景并不完全适配，OCS行业通用了落地仍面临一定障碍：

架构迁移风险高：现有数据中心均基于标准 Spine-Leaf/Clos 架构，全面重构成本与风险不可控

控制面改造难度大：传统网络依赖BGP硬件转发，替换为 SDN 需重写全栈控制逻辑

生态开放度不足：普通用户无自研芯片与设备能力，无法实现 Google式垂直整合

三、GMPLS：光与IP 融合构筑AI算力网络新控制平面高效支撑OCS落地应用

（一）GMPLS 起源

20世纪90年代，光网络技术快速发展，出现了分插复用器(ADM)、密集波分复用(DWDM)、光子交叉连接(PXC)等多种设备，为统一管理这些设备，互联网工程任务组(IETF)在多协议标签交换(MPLS)基础上发展了GMPLS，使其能够同时支持分组、TDM、波长和空间域的控制。

（二） GMPLS架构

GMPLS架构是MPLS架构的扩展，包含了与不支持分组交换的接口相关联的标签编码机制。GMPLS架构支持以下五种类型的接口：

(1)分组交换能力(PSC)：使用数据包头部中包含的信息来转发单个数据包的接口。

(2)第2层交换能力(L2SC)：能够读取第2层帧头部并使用它们来划分单个帧并转发它们的接口。

(3)时分复用能力(TDM)：根据数据在TDM帧中所占时隙的位置来切换数据的接口。

(4)Lambda交换能力(LSC)：将入射波长上的流量切换到不同出射波长的接口。

(5)光纤交换能力(FSC)：根据物理资源来切换信息流或信息流组的接口。

（三）关键信令协议：RSVP-TE

OCS通过RSVP-TE标签分发协议自动创建光路径，核心机制是标签预分配和上游标签。如图，OCS通过标签分发的方式创建光交叉连接，由于MEMS的交换矩阵需要数十毫秒来响应重新配置命令，为了确保光电协作的时序一致性，标签预分配机制允许上游节点提前告知下游邻居所期望的接收接口。当OCS控制代理收到带预分配标签的 Path 消息时，即可预先下发光交换矩阵配置。当下游返回 Resv消息且标签匹配时，立即锁定物理通道。为了进一步加速双向光路径的同步创建，Path消息中还可携带上游标签对象，直接指明反向流量的物理接口。这一机制在准静态的AI-DCN拓扑构建中，极大地提高了光电层拓扑握手的可靠性，避免了因配置时序错位引发的网络丢包。

• GMPLS RFC相关资料来源：

RFC 3945: Generalized Multi-Protocol Label Switching (GMPLS) Architecture

https://www.rfc-editor.org/rfc/rfc3945

https://datatracker.ietf.org/doc/search?name=GMPLS&sort=&rfcs=on&activedrafts=on&by=group&group=)

四、GMPLS在 AI-DCN 场景的核心价值

（一）适配 AI 训练流量特性

大模型训练流量具备长时稳定、大颗粒、可预测等特征，GMPLS 分布式路径计算无需集中调度的单点瓶颈，更适合大规模GPU集群的并行光路建立。

（二）混合交换架构的统一控制

电层+光层混合架构——ToR/Leaf层保留电交换处理突发小流量，Spine层采用OCS处理大颗粒聚合流，GMPLS提供两种部署模式：

Overlay模式：光层与电层独立控制平面，最大隔离性，适合多租户环境

Peer模式：统一控制平面跨越电/光节点，边缘路由器参与光层路由决策，消除层间壁垒，实现端到端TE

（三）动态重配置与光层自动化