基于路径质量的AI负载均衡异常路径检测与恢复策略

AI流量往往具有突发性、大象流（大规模数据流）占比高的特点，极易造成网络拥塞热点。一条质量不佳（如高延迟、高丢包、带宽受限）的路径，不仅自身无法有效传输数据，如果ECMP继续向其分发流量，还可能导致该路径上的拥塞加剧，形成恶性循环，进而“污染”整条路径上的流量，波及更多正常应用。因此，构建一个能够实时感知路径质量、动态规避异常路径的智能负载均衡机制，成为支撑高性能AI计算的关键基础设施之一。

为了解决上述挑战，我们引入了基于路径综合质量的动态权重成本多路径（Weighted Cost Multipath, WCMP）机制。该机制的核心在于持续评估并利用路径的综合质量作为流量调度的核心依据。

路径综合质量评估

系统持续监控每条可用路径的关键性能指标，这些指标通常包括但不限于：

• 延迟 (Latency): 数据包端到端传输耗时。
• 丢包率 (Packet Loss Rate): 传输过程中丢失的数据包比例。
• 带宽利用率 (Bandwidth Utilization): 路径当前占用带宽与其理论容量的比值。
• 错误率 (Error Rate): 如链路层错误等。
• 通过预设的算法（如加权计算、机器学习模型评分等），将这些原始指标融合计算为一个综合质量得分（通常是一个数值）。这个得分量化地反映了该路径在当前时刻传输流量的“健康度”或“优良程度”。得分越高，代表路径质量越好；得分越低，代表路径质量越差，越接近异常状态。

异常路径判定与剔除

系统设定一个约定的质量阈值系数。该阈值代表了我们认为一条路径可以承载正常AI流量的最低可接受质量水平。

• 判定逻辑： 当系统计算出的某条路径的综合质量得分低于此约定阈值时，即认为该条路径在当前AI场景下不再可用，判定为异常路径。
• 处理动作： 立即将这条异常路径从当前有效的负载均衡路径池中剔除（Prune）。这意味着后续的流量调度将暂时不再考虑此路径。

如图所示，当Leaf1与Leaf2通信存在四条路径时，假设根据seo7 中的算法逻辑在Leaf1中计算出四条路径综合质量分别为4.5、55、65和75，此时红色路径会被剔除，剩下的三条路径根据各自路径质量形成WCMP。待红色路径质量恢复达标后，它将重新加入路径池并参与负载均衡。

路径的动态WCMP调度

剔除异常路径后，系统使用剩余的健康路径来承载流量。根据剩余每条健康路径的综合质量得分，动态计算并分配其流量转发权重。质量越高的路径，获得越高的权重，意味着它能承载更大比例的流量；质量相对较低（但仍高于阈值）的路径，则获得较低权重。这种基于实时质量动态调整权重的WCMP策略，确保了流量能够最大程度地流向当前最优的路径，优化整体传输效率和性能。

路径恢复与重新引入 

被剔除的路径并非永久废弃。系统会持续监控其综合质量。一旦该路径的质量得分恢复到约定阈值之上并保持稳定一段时间（避免抖动），系统会将其重新引入有效路径池。重新引入后，该路径将根据其最新的综合质量得分，参与后续的动态WCMP权重计算，重新分担流量。

在AI驱动的数据中心网络环境中，传统的“尽力而为”和“无差别均分”负载均衡策略已力不从心。基于路径综合质量的动态WCMP机制，通过实时感知路径状态、果断剔除异常、智能调度“健康”资源，有效解决了AI流量对网络高可靠、高性能的核心诉求。虽然存在少量的短期资源闲置作为代价，但相较于避免路径拥塞乃至业务中断所带来的巨大损失，这一机制是支撑AI计算基础设施稳定高效运行的关键优化手段。