RNG : Comment Amazon Web Services réinvente le réseau des data centers avec des mathématiques aléatoires

Ensemble, ces innovations permettent de créer un réseau à un seul niveau, supprimant la hiérarchie complexe des switchs et réduisant drastiquement le nombre de routeurs nécessaires.

Performances, coûts et consommation énergétique

AWS estime que les économies générées par cette architecture pourraient se chiffrer en milliards de dollars — certaines projections évoquent jusqu'à 200 milliards de dollars cumulés d'ici 2026 .

Déploiement : calendrier et localisation

• Fin 2024 : Premier déploiement en production à Dublin, en Irlande .
• 2025 : Extension à d'autres sites européens, notamment en Espagne et en Allemagne .
• Avril 2026 : RNG devient l'architecture réseau par défaut pour la majorité des charges de travail AWS dans le monde. L'article scientifique le confirme : « RNG est désormais le réseau de data center par défaut pour la plupart des charges de travail chez Amazon » .

Ce déploiement est progressif et transparent ; il ne s'agit pas d'un remplacement brutal de toutes les infrastructures simultanément. Cependant, RNG est devenu le standard pour toutes les nouvelles constructions et les rénovations de data centers AWS.

Pourquoi aucune modification n'est requise pour les clients ?

RNG est une transformation de la couche physique et de la couche de routage, totalement transparente pour les utilisateurs. Elle opère sous la couche de virtualisation : les instances EC2, les VPC, les load balancers et tous les services AWS existants voient la même interface réseau logique. Aucun changement n'est nécessaire dans les API, les types d'instances, les groupes de sécurité ou le code applicatif des clients . AWS a géré cette transition au sein de sa propre infrastructure, faisant de cette mise à jour un changement que l'on pourrait résumer par : « Vous ne remarquerez rien, mais tout est devenu plus rapide et plus efficace. »

Implications pour le cloud et les charges de travail d'IA

• Avantage concurrentiel sur les coûts : Une réduction de 9 à 45 % des coûts réseau à l'échelle d'AWS crée un fossé économique structurel. AWS peut soit casser les prix face à ses concurrents, soit dégager des marges plus importantes pour les réinvestir dans la capacité de calcul et d'IA .
• Accélération des charges de travail IA/ML : L'entraînement des modèles d'IA (comme les grands modèles de langage répartis sur des clusters de GPU) est très gourmand en bande passante et sensible aux goulots d'étranglement réseau. L'amélioration de 33 % du débit et la diversité accrue des chemins profitent directement à l'entraînement distribué, au parallélisme de modèle et à l'inférence à grande échelle, réduisant les temps de calcul et améliorant l'utilisation des GPU .
• Efficacité énergétique : Une baisse de 40 % de la consommation électrique du réseau est cruciale pour les hyperscalers qui cherchent à atteindre leurs objectifs de développement durable et à maîtriser la flambée des coûts énergétiques, d'autant plus que les clusters d'IA sont extrêmement énergivores .
• Fiabilité et résilience : Les graphes expanseurs aléatoires offrent intrinsèquement de nombreux chemins disjoints, améliorant la tolérance aux pannes de switchs ou de liaisons sans nécessiter de redondance excessive .
• Pression sur les rivaux : Google Cloud, Microsoft Azure et les autres acteurs du cloud s'appuient encore majoritairement sur des variantes de l'architecture Clos/« fat tree ». La démonstration par AWS d'un déploiement à échelle de production d'un réseau basé sur des graphes aléatoires place la barre très haut : les concurrents devront investir dans des approches de « méplatification » similaires ou accepter des coûts réseau plus élevés.
• Jalon scientifique et industriel : L'article publié par AWS représente la première fois que des réseaux basés sur les graphes aléatoires/expanseurs sont construits et exploités à l'échelle d'un hyperscaler, concrétisant une idée théorique vieille de plusieurs décennies .