Revolusi Jaringan Datar AWS: RNG dan Akhir dari Era Fat Tree

Apa Itu Arsitektur RNG dan Mengapa Ini Revolusioner?

Secara sederhana, RNG adalah arsitektur jaringan datar (flat network). Bayangkan sebuah kota di mana semua gedung terhubung langsung satu sama lain melalui banyak jalan kecil, alih-alih harus melalui beberapa jalan tol berlapis yang hierarkis. Itulah perbedaan mendasar antara RNG dan fat tree.

RNG menghubungkan router-router dalam pusat data sebagai quasi-random graph, khususnya jenis expander graph . Alih-alih koneksi yang terstruktur kaku dan bertingkat-tingkat seperti pada fat tree, setiap router dalam jaringan RNG terhubung secara acak namun cerdas ke router lainnya. Hasilnya adalah jaringan yang "datar" di mana setiap titik secara logika "dekat" satu sama lain, dengan diversitas jalur (path diversity) yang sangat tinggi sudah tertanam dalam perkabelan fisiknya .

Tiga Pilar Inovasi: Teori Grafik, Spraypoint, dan ShuffleBox

Untuk mewujudkan ide ini, AWS harus menciptakan dan mematenkan beberapa teknologi baru yang bekerja secara harmonis:

1. Topologi Quasi-Random Expander Graph

Alih-alih hierarki, router dihubungkan dalam pola grafik acak yang memiliki sifat "ekspansi" (expansion property). Sifat ini memastikan bahwa jaringan memiliki banyak jalur alternatif yang independen antar titik, sehingga sangat tahan terhadap kegagalan dan kemacetan .

2. Protokol Routing Spraypoint

Ini adalah algoritma routing terdistribusi yang baru, dirancang khusus untuk grafik ekspander acak. Protokol ini berjalan pada perangkat keras komoditas biasa. Cara kerjanya: router sumber "menyemprotkan" (spray) data melalui banyak jalur keluar (fan-out tinggi), dan kemudian "menunjuk" (point) ke titik tujuan melalui titik arah (waypoints) dengan fan-in tinggi. Algoritma ini mampu menemukan sejumlah besar jalur yang saling lepas (edge-disjoint paths)—mendekati jumlah derajat node—antara setiap pasangan titik akhir, dengan tumpang tindih jalur yang minimal antar pasangan yang berbeda. Hasilnya adalah throughput tinggi dan "fungibilitas kapasitas" .

3. ShuffleBox (Perangkat Optik Pasif)

Salah satu tantangan terbesar dari jaringan dengan banyak koneksi acak adalah kompleksitas kabel yang bisa sangat rumit dan mahal. AWS memecahkan ini dengan menciptakan ShuffleBox, sebuah perangkat optik pasif yang secara internal "mengacak" ujung-ujung kabel serat optik. Ini membuat kompleksitas perkabelan RNG setara dengan fat tree tradisional. Yang paling penting, ShuffleBox tidak mengonsumsi daya listrik sama sekali—ini adalah perangkat manajemen serat optik yang sepenuhnya pasif .

Ketiga inovasi ini memungkinkan AWS mengganti arsitektur multi-layer Clos yang kompleks menjadi fabric jaringan satu lapis (single-layer flat fabric) yang jauh lebih sederhana dan efisien.

Performa, Biaya, dan Efisiensi Daya: Angka-Angka yang Mencengangkan

Dampak dari RNG bukan hanya teoretis. Berikut adalah peningkatan terukur yang berhasil dicapai dibandingkan dengan jaringan fat tree yang setara:

AWS memperkirakan bahwa penghematan dari arsitektur ini bisa mencapai miliaran dolar—beberapa proyeksi menyebutkan hingga $200 miliar secara kumulatif pada tahun 2026 .

Di Mana dan Sejak Kapan RNG Beroperasi?

RNG bukan lagi rencana masa depan. Penerapannya sudah dimulai:

• Akhir 2024: Penerapan produksi pertama di Dublin, Irlandia .
• 2025: Diperluas ke lokasi Eropa lainnya, termasuk Spanyol dan Jerman .
• Pada April 2026: Makalah AWS menyatakan bahwa "RNG sekarang merupakan jaringan pusat data default untuk sebagian besar beban kerja di Amazon" .

Penerapan ini dilakukan secara bertahap dan transparan sebagai peningkatan infrastruktur—bukan penggantian total serentak di semua wilayah, tetapi arsitektur ini kini menjadi standar untuk pembangunan pusat data AWS yang baru maupun yang diperbarui.

Mengapa Pelanggan Tidak Perlu Melakukan Apa Pun?

Ini adalah bagian terbaiknya: RNG adalah perubahan pada lapisan fisik dan lapisan routing yang sepenuhnya transparan bagi pelanggan. Arsitektur ini beroperasi di bawah lapisan virtualisasi. Artinya, instans EC2, VPC, load balancer, dan semua layanan AWS yang ada akan melihat antarmuka jaringan logis yang sama persis. Tidak ada perubahan pada API pelanggan, jenis instans, security group, konfigurasi jaringan, atau kode aplikasi Anda . Ini adalah peningkatan model "Anda bahkan tidak akan menyadarinya, tetapi semuanya tiba-tiba menjadi lebih cepat dan lebih murah."

Implikasi Kompetitif untuk Infrastruktur Cloud dan Beban Kerja AI

Langkah AWS ini memiliki konsekuensi besar bagi lanskap komputasi awan:

• Keunggulan Biaya: Penghematan biaya jaringan 9-45% pada skala AWS menciptakan parit harga struktural. AWS dapat memangkas harga untuk pelanggan atau menyerap margin lebih tinggi untuk diinvestasikan kembali dalam kapasitas komputasi/AI .
• Akselerasi Beban Kerja AI/ML: Pelatihan model AI (misalnya, klaster GPU multi-node) sangat sensitif terhadap bottleneck jaringan. Peningkatan throughput 33% dan diversitas jalur yang lebih kaya secara langsung menguntungkan pelatihan terdistribusi, paralelisme model, dan inferensi skala besar .
• Efisiensi Daya: Pengurangan 40% konsumsi daya jaringan sangat signifikan bagi penyedia hyperscale yang berlomba memenuhi target keberlanjutan dan mengelola kenaikan biaya energi .
• Keandalan: Grafik ekspander acak secara inheren menyediakan banyak jalur terpisah (disjoint paths), meningkatkan toleransi terhadap kegagalan switch atau link tanpa memerlukan redundansi berlebihan .
• Tekanan pada Pesaing: Google, Microsoft Azure, dan penyedia cloud lainnya sebagian besar masih mengandalkan varian Clos/fat-tree. Demonstrasi AWS dalam skala produksi ini menaikkan standar—para pesaing mungkin perlu berinvestasi dalam pendekatan pendataran serupa atau menerima biaya jaringan yang lebih tinggi.

Terobosan ini menandai pertama kalinya jaringan berbasis grafik acak/ekspander dibangun dan dioperasikan dalam skala produksi hyperscale, mengubah ide teoretis berusia puluhan tahun menjadi kenyataan .