แบนราบแทนที่ลำดับชั้น: AWS เปลี่ยนโฉมเครือข่ายดาต้าเซ็นเตอร์ด้วย RNG ทะลุขีดจำกัด Fat-Tree

นวัตกรรมเหล่านี้ทำให้ระบบเครือข่ายแบบชั้นเดียว (Single-layer flat fabric) เข้ามาแทนที่ลำดับชั้นของ Clos แบบหลายชั้นได้อย่างสมบูรณ์ ซึ่งช่วยลดจำนวนเราเตอร์และสวิตช์ที่จำเป็นลงอย่างมาก

การเปรียบเทียบประสิทธิภาพ ต้นทุน และพลังงาน

AWS ประมาณการว่าการประหยัดจากสถาปัตยกรรมนี้อาจคิดเป็นมูลค่ามหาศาลถึง หลายพันล้านดอลลาร์ โดยบางการคาดการณ์ระบุว่าอาจสะสมสูงถึง 2 แสนล้านดอลลาร์สหรัฐภายในปี 2026

ระยะเวลาและพื้นที่ในการเริ่มใช้งาน

• ปลายปี 2024: เริ่มใช้ในระบบการผลิตจริงครั้งแรกใน ดับลิน ประเทศไอร์แลนด์
• ปี 2025: ขยายไปยังไซต์ในยุโรปเพิ่มเติม รวมถึง สเปน และ เยอรมนี
• ภายในเดือนเมษายน 2026: RNG ได้กลายเป็น เครือข่ายดาต้าเซ็นเตอร์มาตรฐานสำหรับเวิร์กโหลด AWS ส่วนใหญ่ ทั่วโลก เอกสารวิจัยระบุว่า: "ขณะนี้ RNG เป็นเครือข่ายดาต้าเซ็นเตอร์มาตรฐานสำหรับเวิร์กโหลดส่วนใหญ่ที่ Amazon"

การทยอยเปิดตัวนี้เป็นการ อัปเกรดโครงสร้างพื้นฐานแบบค่อยเป็นค่อยไปและโปร่งใส ไม่ใช่การเปลี่ยนยกเครื่องทั้งหมดพร้อมกันในทุกภูมิภาค แต่สถาปัตยกรรมนี้ได้กลายเป็นมาตรฐานสำหรับการสร้างและปรับปรุงดาต้าเซ็นเตอร์ของ AWS ใหม่แล้ว

เหตุใดผู้ใช้จึงไม่ต้องปรับเปลี่ยนอะไรในการใช้งาน

RNG คือการเปลี่ยนแปลงใน ระดับฟิสิคัลเลเยอร์และเราต์ติ้งเลเยอร์ ที่ผู้ใช้ไม่จำเป็นต้องรับรู้หรือดำเนินการใดๆ ทั้งสิ้น มันทำงานอยู่ภายใต้ชั้นเวอร์ชวลไลเซชัน อินสแตนซ์ EC2, VPC, โหลดบาลานเซอร์ และบริการ AWS ที่มีอยู่ทั้งหมดมองเห็นอินเตอร์เฟซเครือข่ายแบบลอจิคัลเหมือนเดิมไม่เปลี่ยนแปลง ไม่มีการเปลี่ยนแปลงใดๆ เกี่ยวกับ API, ประเภทอินสแตนซ์, Security Group, การกำหนดค่าเครือข่าย หรือโค้ดของแอปพลิเคชัน AWS จัดการการเปลี่ยนแปลงนี้ภายในโครงสร้างพื้นฐานของตัวเอง ทำให้เป็นการอัปเกรดในสไตล์ "คุณอาจไม่ทันสังเกต แต่ทุกอย่างเร็วขึ้นและถูกลง"

การสร้างความได้เปรียบทางการแข่งขันสำหรับโครงสร้างพื้นฐานคลาวด์และงาน AI

• ความได้เปรียบด้านต้นทุน: การลดต้นทุนเครือข่ายลง 9–45% ในระดับขนาดของ AWS สร้างความสามารถในการตั้งราคาที่ได้เปรียบเชิงโครงสร้าง AWS สามารถตัดราคาคู่แข่ง หรือรักษาอัตรากำไรที่สูงกว่าแล้วนำเงินไปลงทุนเพิ่มในด้านคอมพิวติ้งและ AI ได้

• การเร่งความเร็วเวิร์กโหลด AI/ML: การเทรน AI (เช่น คลัสเตอร์ GPU/TPU หลายโหนด) ต้องการแบนด์วิธสูงและมีความอ่อนไหวอย่างมากต่อปัญหาคอขวดของเครือข่าย ทรูพุตที่เพิ่มขึ้น 33% และความหลากหลายของเส้นทางที่มากขึ้นเป็นประโยชน์อย่างยิ่งต่อการเทรนแบบกระจาย, การทำงานแบบขนานของโมเดล (Model Parallelism) และการอนุมานผลลัพธ์ขนาดใหญ่ ซึ่งช่วยลดเวลาในการทำงานและเพิ่มการใช้ประโยชน์จาก GPU

• ประสิทธิภาพด้านพลังงาน: การใช้พลังงานเครือข่ายลดลง 40% เป็นผลสำเร็จที่สำคัญสำหรับผู้ให้บริการไฮเปอร์สเกลที่ต้องแข่งขันกันเพื่อบรรลุเป้าหมายความยั่งยืนและจัดการกับต้นทุนพลังงานที่สูงขึ้น โดยเฉพาะอย่างยิ่งเมื่อคลัสเตอร์ AI ใช้พลังงานมหาศาล

• ความน่าเชื่อถือและความยืดหยุ่น: กราฟ Random Expander มีเส้นทางที่ไม่ซ้อนทับกันมากมายในตัว ทำให้มีความทนทานต่อความล้มเหลวของสวิตช์หรือลิงก์ได้ดีขึ้น โดยไม่ต้องพึ่งพาการสร้างซ้ำซ้อนที่เกินความจำเป็น

• แรงกดดันต่อคู่แข่ง: Google, Microsoft Azure และผู้ให้บริการคลาวด์รายอื่นๆ ส่วนใหญ่ยังคงพึ่งพา Fat-Tree/Clos แบบต่างๆ การที่ AWS ประสบความสำเร็จในการนำเครือข่ายแบบกราฟสุ่มมาใช้ในระดับการผลิตจริงได้นั้นเป็นการยกระดับมาตรฐานขึ้นไปอีกขั้น คู่แข่งอาจต้องลงทุนในแนวทางแบบแบนราบที่คล้ายคลึงกัน หรือไม่ก็ต้องยอมรับต้นทุนเครือข่ายที่สูงกว่า

• ความสำเร็จเชิงวิชาการและอุตสาหกรรม: เอกสารวิจัยนี้ถือเป็นครั้งแรกที่เครือข่ายบนพื้นฐานของกราฟสุ่ม/เอ็กซ์แพนเดอร์ถูกสร้างและใช้งานจริงในระดับไฮเปอร์สเกล นับเป็นการเปลี่ยนแนวคิดทางทฤษฎีที่มีมาหลายสิบปีให้กลายเป็นจริง