🤖 AI

OpenURMA: A Clean-Room Open Implementation of the Unified Bus Protocol

تقدم هذه الورقة OpenURMA، وهي أول تنفيذ مفتوح المصدر بنظام الغرفة النظيفة لبروتوكول Huawei Unified Bus الخاص بشركة هواوي، والذي يثبت من خلال محاكاة RTL وSystemC وgem5 أن فصل حالة كل تطبيق عن حالة النقل يقلل زمن انتقال جلب البيانات عن بُعد بحجم 64 بايت بمقدار 4.37 ضعفاً ويزيد من معدل الإنتاجية بمقدار 2.80 ضعفاً مقارنة بالنماذج المرجعية التقليدية لـ RoCEv2.

المؤلفون الأصليون: Bojie Li

نُشر 2026-05-28

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Bojie Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "OpenURMA: تنفيذ مفتوح المصدر ونقي لبروتوكول الناقل الموحد (Unified Bus Protocol)" باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة الكبرى: عنق الزجاجة في "الأجهزة الطرفية"

تخيل مركز بيانات حديث كأنه مبنى مكاتب ضخم حيث يحتاج آلاف الموظفين (التطبيقات) إلى التحدث مع بعضهم البعض فوراً.

الطريقة القياسية الحالية التي يتواصلون بها تشبه ما يلي:

مشكلة الأجهزة الطرفية: يتم التعامل مع بطاقة الشبكة (NIC) كأنها جهاز طرفي، تماماً مثل الطابعة أو الفأرة المتصلة بالكمبيوتر. إنها تقع "خارج" العقل الرئيسي (المعالج - CPU).
نظام الطوابير: لإرسال رسالة، يتعين على الموظف كتابة ملاحظة ("طلب عمل" - Work Request)، ثم يمشي بها إلى صندوق بريد بطاقة الشبكة ("الجرس" - Doorbell)، وينتظر. بعد ذلك، تقوم بطاقة الشبكة بالتقاط الملاحظة، ومعالجتها، ثم كتابة ملاحظة "تم" ("Done") وإعادتها إلى صندوق البريد.
ازدحام مروري: لأن بطاقة الشبكة "خارج" المبنى، يجب على كل ملاحظة أن تعبر طريقاً سريعاً مزدحماً (ناقل PCIe) أربع مرات فقط ليتم إرسالها وتأكيد استلامها.
أزمة الذاكرة: يجب على بطاقة الشبكة الاحتفاظ بملف خاص لكل زوج من الموظفين يتحدثون مع بعضهم البعض. إذا كان لديك 1,000 موظف يتحدث كل منهم مع 1,000 آخر، فستحتاج البطاقة إلى مليون ملف. ستنفد مساحة المكتب (الذاكرة على الشريحة - On-chip memory) وتضطر للذهض إلى خزانة الملفات في القبو (ذاكرة الوصول العشوائي للمضيف - Host RAM) لجلب الملفات. هذا يبطئ كل شيء ويجعله يسير ببطء شديد.

النتيجة: على الرغم من أن كابلات الإنترنت (الأسلاك) سريعة للغاية، إلا أن النظام بأكمله عالق في الازدحام بسبب كيفية اتصال بطاقة الشبكة وتنظيمها.

الحل: الناقل الموحد (UB) من هواوي

اقترحت هواوي تصميماً جديداً يسمى الناقل الموحد (Unified Bus - UB) (في شريحة Ascend 950 الخاصة بها) لإصلاح هذا الخلل. لم يكتفوا بترقيع النظام القديم، بل غيروا قواعد اللعبة.

1. نقل المكتب إلى داخل المبنى
بدلاً من كون بطاقة الشبكة جهازاً طرفياً خارج المبنى، يضع نظام UB وحدة التحكم في الشبكة داخل المبنى في الممر الرئيسي (الناقل على الشريحة - On-chip bus).

التشبيه: بدلاً من الخروج إلى الردهة لإرسال رسالة، يمكنك الآن فقط تسليمها لزميل يقف بجانب مكتبك مباشرة. لن تحتاج لعبور الطريق السريع أربع مرات؛ بل ستكتفي بخطوة واحدة فقط.

2. تقسيم نظام الملفات
النظام القديم يحتفظ بملف واحد ضخم لكل زوج من الأشخاص الذين يتحدثون معاً. يقوم UB بتقسيم هذا الأمر:

Jetty: بطاقة صغيرة لجانب المحادثة الخاص بك.
TP Channel: بطاقة مشتركة للجانب الآخر من المحادثة.
التشبيه: بدلاً من الحاجة لملف فريد لكل زوج من الناس (مما يؤدي لانفجار في العدد)، تحتاج فقط لبطاقة لنفسك وبطاقة مشتركة للشخص الذي تتحدث معه. وبالتالي، ينمو إجمالي عدد الملفات ببطء (بشكل تراكمي) بدلاً من الانفجار (بشكل ضربي). هذا يمنع امتلاء مساحة مكتب بطاقة الشبكة.

3. اختصار "التحميل/التخزين" (Load/Store)
لأن وحدة التحكم أصبحت الآن داخل المبنى، يمكن للمعالج التحدث إليها مباشرة باستخدام تعليمات قياسية (مثل LOAD أو STORE)، تماماً مثل قراءة متغير في برنامج.

التشبيه: لا تحتاج لملء نموذج، والمشي إلى صندوق البريد، وانتظار الإيصال. يمكنك ببساطة الحصول على البيانات التي تحتاجها فوراً.

4. القواعد الاختيارية (الترتيب عند الطلب)
النظام القديم فرض قواعد صارمة: "يجب استلام الرسائل بنفس الترتيب الذي أُرسلت به تماماً، مهما كلف الأمر". وهذا أمر بطيء وغير ضروري للعديد من المهام.

التشبيه: يقول نظام UB: "يمكننا تسليم الرسائل بأسرع ما يمكن. إذا كنت بحاجة ماسة لاستلامها بالترتيب، فقط ارفع يدك وسنقوم بالإبطاء لفرزها. إذا كنت لا تهتم، فسنقوم بإلقائها في صندوق واردك فور وصولها". هذا يوفر الوقت للجميع ممن لا يحتاجون لترتيب صارم.

ماذا قدم مشروع OpenURMA؟

شريحة هواوي موجودة بالفعل، لكنها "صندوق أسود"؛ لا أحد يستطيع رؤية كيف تعمل من الداخل، أو قياسها، أو البناء عليها.

OpenURMA هو أول تنفيذ مفتوح المصدر ونقي (Clean-room) لهذا النظام الجديد.

"نقي" (Clean-room) تعني أنهم بنوه من الصفر باستخدام كتاب القواعد العام (المواصفات) فقط، دون النظر إلى كود هواوي السري.
قاموا ببناء ثلاث نسخ لاختبارها:
1. RTL: المخطط الفعلي لشرائح الأجهزة (تم اختباره على لوحة FPGA).
2. SystemC: محاكاة حاسوبية دقيقة جداً للشبكة.
3. gem5: محاكاة حاسوبية كاملة تعمل بنظام تشغيل حقيقي.

وقاموا بمقارنة نظامهم الجديد (OpenURMA) مقابل المعيار القديم (RoCEv2) باستخدام نفس الأدوات لضمان وجود منافسة عادلة.

النتائج: ما مدى السرعة؟

تزعم الورقة البحثية وجود تحسينات هائلة، خاصة للعمليات الصغيرة والسريعة (مثل جلب قطعة صغيرة من البيانات):

السرعة: النظام الجديد أسرع بـ 4.37 مرة (حوالي 500 نانو ثانية) من النظام القديم (حوالي 2,186 نانو ثانية) لعملية جلب بيانات قياسية.
الإنتاجية (Throughput): يمكنه معالجة بيانات أكثر بـ 2.8 مرة في الثانية.
الكفاءة: يستخدم مساحة صغيرة جداً على الشريحة (حوالي 14% فقط من المساحة المتاحة على لوحة الاختبار).
القابلية للتوسع (Scalability): مع إضافة المزيد من المستخدمين (من 1 إلى 1,024)، يتباطأ النظام القديم بشكل حاد لأنه ينفد من مساحة المكتب. أما النظام الجديد فيظل سريعاً ومستقراً لأن نظام الملفات لديه فعال.

لماذا هذا مهم (وفقاً للورقة البحثية)

تجادل الورقة بأن الطريقة الحالية لربط الحواسيب في مراكز البيانات (التعامل مع بطاقة الشبكة كجهاز طرفي) معطلة جوهرياً لأعمال الذكاء الاصطنا_ي والبيانات الضخمة الحديثة.

البديل "المتماسك" (Coherent): هناك تقنيات أخرى (مثل CXL أو NVLink) تحاول جعل الذاكرة تبدو "مشتركة ومتماسكة". ومع ذلك، تجادل الورقة بأن هذه التقنيات تنهار عندما تحاول توسيع نطاقها لتشمل مجموعات ضخمة (آلاف الرفوف من الخوادم) لأنها تتطلب تتبعاً هائلاً للحالة ولا تتعامل جيداً مع أخطاء الشبكة.
ميزة UB: يتقبل نظام UB حقيقة أن الشبكة ليست مثالية ولا يحاول فرض "تماسك مثالي" عبر المبنى بأكمله. بدلاً من ذلك، يمنح التطبيق الأدوات لإدارة الترتيب فقط عند الحاجة، مما يسمح له بالتوسع إلى آلاف الخوادم دون الانهيار في الأداء الذي تشهده الأنظمة الأخرى.

الملخص

فكر في النظام القديم كأنه مكتب بريد حيث يتعين عليك الذهاب إلى المنصة، وملء نموذج، والانتظار في الطابور، والحصول على إيصال لكل رسالة ترسلها.

وفكر في نظام OpenURMA الجديد كأنه مراسل خاص يجلس بجانبك مباشرة، يعرف بالضبط مع من تتحدث، ويمكنه وضع الرسالة في يدك فوراً دون أي أوراق، إلا إذا طلبت منه تحديداً الحصول على إيصال.

تثبت الورقة أن هذه الطريقة الجديدة لتنظيم الشبكة ليست مجرد نظرية، بل هي تصميم مفتوح وفعال أسرع بكثير وأكثر قابلية للتوسع مما نستخدمه اليوم.

ملخص تقني: OpenURMA

بيان المشكلة
تعاني تقنية RDMA (الوصول المباشر للذاكرة عن بُعد) في مراكز البيانات الحديثة من اختناق هيكلي ناتج عن تجريد "الطرفي-بطاقة الشبكة" (peripheral-NIC) الموروث من تقنيات InfiniBand وRoCE. في هذا النموذج، تقع بطاقة الشبة (NIC) خلف ناقل PCIe، وتتبع عملية الاتصال نموذج "أزواج الطوابير" (Queue-Pair - QP). يفرض هذا التصميم تكلفة حرجة مزدوجة أصبحت غير مستدامة لأعباء عمل تدريب الذكاء الاصطناعي التي تتميز بتوزيع واسع (آلاف وحدات المعالجة الرسومية) وأحجام رسائل صغيرة (تدرجات بمقدار 64 بايت):

انفجار الحالة (State Explosion): يقوم الـ QP بدمج هوية التطبيق مع موثوقية النقل، مما يتطلب حالة لكل اتصال لكل زوج من (التطبيق المحلي، الطرف البعيد). عند مقياس 1024×1024، يتطلب هذا حوالي 537 ميجابايت من الحالة، مما يتجاوز ذاكرة SRAM الموجودة على الشريحة ويجبر العمليات على دفع ثمن رحلة ذهاب وإياب عبر ناقل PCIe لاستعادة السياق (context).
تأخير عبور PCIe: نظرًا لأن بطاقة الشبكة هي جهاز طرفي، فإن كل عملية تعبر حدود PCIe أربع مرات (الضغط على زر التنبيه MMIO، جلب WQE عبر DMA، كتابة CQE عبر DMA، وفحص المعالج لعدم الاستجابة). في عملية بحجم 64 بايت، تستهلك هذه العبورات حوالي 1.5 ميكروثانية من إجمالي 2 ميكروثانية للرحلة الكاملة، مما يضخم التأخير بمقدار عشرة أضعاف سرعة السلك (wire speed).

لقد عالجت الأعمال السابقة (مثل التحديثات البرمجية كـ FaSST، أو التحسينات العتادية مثل SRNIC، أو الركائز القابلة للبرمجة) الأعراض فقط، لكنها تركت التجريد الأساسي كما هو دون تغيير.

المنهجية
تقدم الورقة البحثية OpenURMA، وهي أول تنفيذ مفتوح المصدر ونظيف لمواصفات Unified Bus (UB) (عام 2025) التابعة لشركة هواوي، والتي تستبدل تجريد "الطرفي-بطاقة الشبكة". يعمل بروتوكول UB على فصل حالة الطرف لكل تطبيق عن حالة النقل لكل مضيف، وينقل وحدة التحكم إلى الناقل الموجود على الشريحة (on-chip bus)، ويجعل "الترتيب" (ordering) ميزة اختيارية.

تم تنفيذ هذا العمل باستخدام مجموعة أدوات OpenClickNP، التي تقوم بخفض وصف مصدر واحد إلى ثلاثة مستويات من النمذجة لإجراء مقارنة دقيقة ومباشرة مع خط أساس OpenRoCE (المطابق لـ RoCEv2 RC):

RTL قابل للتصنيع: تم تنفيذه على FPGA من نوع Alveo U50، بإغلاق (closing) عند تردد 322 ميجاهرتز.
محاكاة بمستوى الدورات (Cycle-Level Simulation): محاكي SystemC ثنائي العقد ينمذج كلا الطرفين، والسلك، وهياكل الذاكرة.
إطار عمل كامل النظام (Full-System Scaffold): بيئة gem5 تشغل ملفات ثنائية حقيقية لمعالجات ARM وبرنامج تشغيل Linux ضد بطاقة الشبكة بنظام SystemC.

تأخذ منهجية التقييم في الاعتبار صراحةً التكاليف ثنائية الاتجاه، بما في ذلك عمليات نقل البيانات من NIC إلى DRAM في جانب الهدف وعمليات عبور PCIe، متجنبةً قياسات "الإرسال فقط" الشائعة في الأدبيات السابقة.

التحركات الهيكلية الرئيسية
ينفذ OpenURMA أربعة تحركات هيكلية محددة في مواصفات UB:

تقسيم الطبقات (الحالة المحدودة): يفصل بين طبقة المعاملات (التي تسمى Jetty لكل تطبيق) وطبقة النقل (التي تسمى TP Channel لكل مضيف). تتوسع الحالة بشكل إضافي وفق $O(N+M)$ بدلاً من التوسع الضربِي $O(N \cdot M)$ .
وحدة تحكم على الشريحة (On-Chip Controller): مع حصر الحالة في حوالي 110 كيلوبايت (مما يسمح لها بالاستقرار في ذاكرة SRAM على الشريحة)، تقع وحدة التحكم على ناقل الشريحة الخاص بالمعالج، مما يلغي حدود PCIe.
مسار الحمل/التخزين (Load/Store Path): يمكن للمعالج الوصول إلى الذاكرة البعيدة عبر تعليمات ld/st الأصلية مباشرة إلى وحدة التحكم، متجاوزاً طوابير العمل، وأزرار التنبيه، والـ DMA.
الترتيب الاختياري (Opt-in Ordering): يتم عرض الترتيب عبر أربعة محاور متعامدة (وضع الخدمة، ترتيب التنفيذ، الحاجز/Fence، وترتيب الإكمال) يختارها التطبيقات. تعيد منطق البوابة استخدام العدادات الموجودة، مما يضيف صفر دورات (zero pipeline cycles) للعمليات غير المرتبة.

النتائج الرئيسية
عند اختبار عملية الجلب عن بُعد بحجم 64 بايت (عملية LOAD على UB مقابل READ على RoCEv2):

التأخير (Latency): يحقق مسار الحمل/التخزين في UB تأخيراً قدره ~500 نانو ثانية من النهاية إلى النهاية، وهو ما يمثل انخفاضاً بمقدار 4.37 ضعفاً مقارنة بأساس RoCE DMA المطابق (2186 نانو ثانية). حتى في العمليات التي تتطلب مسار طابور العمل، يعد UB أسرع بـ 2.2 ضعفاً بسبب إلغاء عبورات PCIe.
الإنتاجية (Throughput): يحافظ UB على إنتاجية أعلى لطلبات العمل بمقدار 2.80 ضعفاً مقارنة بـ OpenRoCE.
توسع الحالة (State Scaling): عند 1024×1024 من الأطراف، يستخدم OpenURMA 110.6 كيلوبايت من الحالة مقابل 537.9 ميجابايت لـ RoCE، أي انخفاضاً بمقدار 4,855 ضعفاً. وهذا يمنع "منحدر التأخير" (latency cliff) حيث يتدهور أداء RoCE بشكل حاد بمجرد تجاوز عدد الاتصالات لنقطة الـ 23 (نقطة فيض SRAM).
تكلفة الترتيب: الترتيد الاختياري يكاد يكون "مجانياً"؛ فالعمليات التي تتخطى البوابة لا تستهلك أي دورات في خط الأنابيب (pipeline cycles).
الموثوقية والازدحام: ينفذ OpenURMA بروتوكول التأكيد الانتقائي (SACK) ووحدة تحكم ازدحام C-AQM، مما يظهر تفوقاً في الإنتاجية الفعالة (goodput) وتأخير الذيل (tail latency) في حالات الفقد مقارنة بـ Go-Back-N وDCQCN.
التوسع مقابل الأنسجة المتماسكة (Coherent Fabrics): تجادل الورقة بأن الأنسجة المتماسكة (مثل CXL وNVLink) لا يمكنها التوسع إلى مستوى الرف (rack-level) بسبب نمو حالة الدليل ( $O(N)$ وتكاليف بث الإبطال). يتجنب نهج UB غير المتماسك والاختياري هذه المنحدرات، محافظاً على استقرار التأخير مع زيادة حجم العنقود (cluster).

الأهمية والادعاءات
تدعي الورقة أن OpenURMA يقدم أول تحقق تجريبي لوعود بروتوكول Unified Bus المعمارية دون الاعتماد على شرائح مغلقة. تكمن الأهمية في إثبات أن الالتزامات المعمارية الثلاثة — الحالة المحدودة، وحدة التحكم على الشفيرة، والترتيب الاختياري — هي متكاملة وداعمة لبعضها البعض:

الحالة المحدودة ضرورية لإبقاء وحدة التحكم على الشريحة.
وحدة التحكم على الشريحة ضرورية لتمكين مسار الحمل/التخزين.
تقسيم الطبقات ضروري لجعل الترتيد الاختياري خالياً من التكلفة.

يخلص المؤلفون إلى أن OpenURMA يستبدل تجريد "الطرفي-بطاقة الشبكة" بنموذج "ند لند" (peer-to-peer) يمكنه التوسع لأعباء عمل تدريب الذكاء الاصطناعي، مما يوفر مساراً للوصول إلى الذاكرة عن بُعد بأقل من ميكروثانية واحدة، وهو أمر مستحيل هيكلياً في ظل نموذج PCIe/QP الحالي. تم إصدار التنفيذ كـ RTL مفتوح المصدر وأدوات محاكاة لتمكين المزيد من البحث والنمذجة الأولية.