แบนราบแทนที่ลำดับชั้น: AWS เปลี่ยนโฉมเครือข่ายดาต้าเซ็นเตอร์ด้วย RNG ทะลุขีดจำกัด Fat-Tree

นี่คือคำตอบที่ครอบคลุมจากการศึกษาบทความวิจัยล่าสุดของ AWS (arXiv 2604.15261) และข้อมูลที่เกี่ยวข้อง

RNG คืออะไร?

RNG (Random Network Graph หรือเรียกอีกอย่างว่า Resilient Network Graphs) คือ สถาปัตยกรรมเครือข่ายดาต้าเซ็นเตอร์แบบแบนราบ (Flat) ที่เข้ามาแทนที่ Fat-Tree (Clos) ซึ่งเป็นดีไซน์แบบลำดับชั้นหลายชั้นแบบดั้งเดิม ด้วยการใช้ กราฟสุ่มกึ่งเสมือน (Quasi-random graph) โดยเฉพาะอย่างยิ่งกราฟเอ็กซ์แพนเดอร์ (Expander graph) มาเชื่อมต่อเราเตอร์เข้าด้วยกัน นี่คือการนำเครือข่ายดาต้าเซ็นเตอร์ที่ใช้พื้นฐานจากกราฟสุ่มมาใช้งานจริงในระดับการผลิตเป็นครั้งแรก

เบื้องหลังการทำงาน: ทฤษฎีกราฟสุ่ม, Spraypoint และ ShuffleBox

• โทโพโลยีกราฟเอ็กซ์แพนเดอร์แบบกึ่งสุ่ม: แทนที่จะเป็นโครงสร้างแบบลำดับชั้นของ Fat-Tree เราเตอร์จะถูกเชื่อมต่อกันในรูปแบบกราฟสุ่ม ซึ่งก็คือกราฟเอ็กซ์แพนเดอร์ชนิดหนึ่ง สิ่งนี้ทำให้เกิดเครือข่ายแบบแบนราบที่เราเตอร์ทุกตัวเปรียบเสมือนอยู่ใกล้กันหมด และมีความหลากหลายของเส้นทาง (Path Diversity) สูงตั้งแต่ระดับการเชื่อมต่อทางกายภาพ

• โปรโตคอลจัดเส้นทาง Spraypoint: นี่คืออัลกอริทึมการจัดเส้นทางแบบกระจายตัวใหม่ล่าสุดที่ถูกสร้างขึ้นมาเพื่อกราฟเอ็กซ์แพนเดอร์แบบสุ่มโดยเฉพาะ มันใช้ประโยชน์จากคุณสมบัติการขยายตัวเพื่อค้นหาเส้นทาง ที่ใช้ Edge ร่วมกันน้อยที่สุด (Edge-disjoint paths) จำนวนมาก (เกือบเท่ากับดีกรีของโหนด) ระหว่างคู่ปลายทางหนึ่งๆ โดยที่เส้นทางเหล่านี้จะซ้อนทับกับเส้นทางของคู่อื่นๆ น้อยมาก ผลลัพธ์คือทรูพุตที่สูงและความยืดหยุ่นสูงโดยไม่ต้องพึ่งพาการควบคุมจากศูนย์กลาง โปรโตคอลนี้ทำงานบนฮาร์ดแวร์ทั่วไปได้

• ShuffleBox (อุปกรณ์ออปติคัลแบบพาสซีฟ): อุปกรณ์ออปติคัลพาสซีฟรูปแบบใหม่ที่จะทำหน้าที่สลับสับเปลี่ยนปลายสายเคเบิลภายใน ลดความซับซ้อนในการเดินสายให้ใกล้เคียงกับระบบ Fat-Tree หัวใจสำคัญคือมัน ไม่ใช้พลังงานไฟฟ้าเลย เป็นเพียงอุปกรณ์จัดการไฟเบอร์แบบพาสซีฟเท่านั้น

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

การเปรียบเทียบประสิทธิภาพ ต้นทุน และพลังงาน

ตัวชี้วัด	การปรับปรุง
ทรูพุต	ดีขึ้น สูงสุด 33% เมื่อเทียบกับ Fat-Tree ที่เทียบเท่ากัน
จำนวนเราเตอร์/สวิตช์ที่ต้องใช้	ลดลง ~69% (ลดฮาร์ดแวร์)
การประหยัดต้นทุน	ถูกลง 9% ถึง 45% ขึ้นอยู่กับขนาดและการกำหนดค่า
การใช้พลังงานของเครือข่าย	ลดลง ~40% สำหรับการใช้ไฟฟ้าของอุปกรณ์ (ส่วนใหญ่มาจากการลดจำนวนชั้นของสวิตช์ที่ต้องใช้พลังงาน)
ความซับซ้อนในการเดินสาย	เทียบเท่ากับ Fat-Tree ด้วยนวัตกรรม ShuffleBox

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