運作原理：隨機圖、Spraypoint 與 ShuffleBox

AWS 的這項突破來自三大核心創新：

• 類隨機擴展圖拓樸：有別於肥樹結構式的階層分層，路由器之間以隨機圖的方式連接，形成一個扁平化的網路。在這個網路中，每個路由器在邏輯上都很接近，且線路本身就內建了極高的路徑多樣性與容錯力。

• Spraypoint 路由協議：這是一套專為隨機擴展圖設計的全新分散式路由演算法。它利用擴展圖的特性，能在任何兩個端點之間找到接近節點度（node degree）數量的邊不相交路徑（edge-disjoint paths），而且不同流量對之間的路徑重疊度極低。這不僅帶來了高吞吐量與高彈性，而且完全不需要中央控管，可在商用硬體上執行。

• ShuffleBox（被動光學裝置）：這是一個能從內部攪亂（shuffle）光纖端點的被動式光學元件。它徹底簡化了佈線的複雜度，讓 RNG 的纜線鋪設難度降到與傳統肥樹架構相近的水準。更關鍵的是，它 完全不耗電，是一個徹底的被動式光纖管理裝置。

這三項技術的結合，讓 AWS 能用單層扁平結構取代多層的 Clos 階層，大幅減少了所需的路由器與交換器層級數量。

效能、成本與能耗的革命性改善

AWS 內部預估，這項架構帶來的成本節省可能高達 數十億美元，甚至有分析預測到 2026 年累計節省金額上看 2000 億美元。

部署時程與地理範圍

• 2024 年底：首個生產環境部署在 愛爾蘭都柏林 。
• 2025 年：擴展至歐洲其他站點，包括 西班牙 與 德國 。
• 2026 年 4 月為止：RNG 已成為 AWS 多數工作負載的預設資料中心網路。AWS 的論文明確指出：「RNG 現在已是 Amazon 多數工作負載的預設資料中心網路」（"RNG is now the default datacenter network for most workloads at Amazon"）。

這是一項漸進、透明的基礎架構升級，全球所有區域並不會一夜之間全部更換，但 RNG 架構已成為新建與翻新 AWS 資料中心的標準規格。

為何客戶不用做任何改變？

RNG 是實體層與路由層的變革，對客戶來說完全透明。它運作在虛擬化層之下，EC2 執行個體、VPC、負載平衡器以及所有既有的 AWS 服務，看到的依然是相同的邏輯網路介面。客戶不需要修改任何 API、執行個體類型、安全群組、網路組態或是應用程式碼。 AWS 自行在基礎設施內部完成了這項轉換，對使用者而言，這就像是「你完全不會察覺，但一切都變得更快、更便宜了」的無感升級。

對雲端基礎設施與 AI 工作負載的競爭影響

• 成本護城河：以 AWS 的營運規模，網路成本降低 9% 至 45% 形成了一道巨大的結構性定價優勢。AWS 可以藉此以更低的價格打擊競爭對手，或是維持更高的利潤率，並將資金重新投入運算與 AI 容量的擴張。

• 加速 AI/ML 工作負載：AI 訓練（如多節點 GPU/TPU 叢集）是極度消耗頻寬且對網路瓶頸非常敏感的任務。RNG 帶來的 33% 吞吐量提升與更豐富的路徑多樣性，直接嘉惠了分散式訓練、模型平行化與大規模推論，不僅縮短了任務完成時間，也提高了 GPU 的利用率。

• 能源效率：網路設備功耗降低 40%，對於正競相達成永續目標、應對高漲能源成本的超大規模業者而言意義重大，尤其是在 AI 叢集已成為吃電怪獸的時代。

• 可靠性與復原力：隨機擴展圖本質上提供大量不相交的路徑，顯著提升了對交換器或鏈路故障的容錯能力，而且不需要為了冗餘而超額配置備援層級。

• 對競爭對手的壓力：Google Cloud、Microsoft Azure 及其他雲端業者目前多數仍採用 Clos/肥樹的變體。AWS 率先展示了隨機圖網路在量產規模上的可行性，這不僅拉高了業界門檻，也迫使競爭對手要嘛跟進投入類似的扁平化技術，要嘛就得默默承受較高的網路成本。

• 學術與產業的里程碑：這篇論文象徵著隨機圖／擴展圖網路，首次從數十年的理論概念，走進現實世界中的超大規模生產環境。

運作原理：隨機圖、Spraypoint 與 ShuffleBox

AWS 的這項突破來自三大核心創新：

• 類隨機擴展圖拓樸：有別於肥樹結構式的階層分層，路由器之間以隨機圖的方式連接，形成一個扁平化的網路。在這個網路中，每個路由器在邏輯上都很接近，且線路本身就內建了極高的路徑多樣性與容錯力。

• Spraypoint 路由協議：這是一套專為隨機擴展圖設計的全新分散式路由演算法。它利用擴展圖的特性，能在任何兩個端點之間找到接近節點度（node degree）數量的邊不相交路徑（edge-disjoint paths），而且不同流量對之間的路徑重疊度極低。這不僅帶來了高吞吐量與高彈性，而且完全不需要中央控管，可在商用硬體上執行。

• ShuffleBox（被動光學裝置）：這是一個能從內部攪亂（shuffle）光纖端點的被動式光學元件。它徹底簡化了佈線的複雜度，讓 RNG 的纜線鋪設難度降到與傳統肥樹架構相近的水準。更關鍵的是，它 完全不耗電，是一個徹底的被動式光纖管理裝置。

這三項技術的結合，讓 AWS 能用單層扁平結構取代多層的 Clos 階層，大幅減少了所需的路由器與交換器層級數量。

效能、成本與能耗的革命性改善

AWS 內部預估，這項架構帶來的成本節省可能高達 數十億美元，甚至有分析預測到 2026 年累計節省金額上看 2000 億美元。

部署時程與地理範圍

• 2024 年底：首個生產環境部署在 愛爾蘭都柏林 。
• 2025 年：擴展至歐洲其他站點，包括 西班牙 與 德國 。
• 2026 年 4 月為止：RNG 已成為 AWS 多數工作負載的預設資料中心網路。AWS 的論文明確指出：「RNG 現在已是 Amazon 多數工作負載的預設資料中心網路」（"RNG is now the default datacenter network for most workloads at Amazon"）。

這是一項漸進、透明的基礎架構升級，全球所有區域並不會一夜之間全部更換，但 RNG 架構已成為新建與翻新 AWS 資料中心的標準規格。

為何客戶不用做任何改變？

RNG 是實體層與路由層的變革，對客戶來說完全透明。它運作在虛擬化層之下，EC2 執行個體、VPC、負載平衡器以及所有既有的 AWS 服務，看到的依然是相同的邏輯網路介面。客戶不需要修改任何 API、執行個體類型、安全群組、網路組態或是應用程式碼。 AWS 自行在基礎設施內部完成了這項轉換，對使用者而言，這就像是「你完全不會察覺，但一切都變得更快、更便宜了」的無感升級。

對雲端基礎設施與 AI 工作負載的競爭影響

• 成本護城河：以 AWS 的營運規模，網路成本降低 9% 至 45% 形成了一道巨大的結構性定價優勢。AWS 可以藉此以更低的價格打擊競爭對手，或是維持更高的利潤率，並將資金重新投入運算與 AI 容量的擴張。

• 加速 AI/ML 工作負載：AI 訓練（如多節點 GPU/TPU 叢集）是極度消耗頻寬且對網路瓶頸非常敏感的任務。RNG 帶來的 33% 吞吐量提升與更豐富的路徑多樣性，直接嘉惠了分散式訓練、模型平行化與大規模推論，不僅縮短了任務完成時間，也提高了 GPU 的利用率。

• 能源效率：網路設備功耗降低 40%，對於正競相達成永續目標、應對高漲能源成本的超大規模業者而言意義重大，尤其是在 AI 叢集已成為吃電怪獸的時代。

• 可靠性與復原力：隨機擴展圖本質上提供大量不相交的路徑，顯著提升了對交換器或鏈路故障的容錯能力，而且不需要為了冗餘而超額配置備援層級。

• 對競爭對手的壓力：Google Cloud、Microsoft Azure 及其他雲端業者目前多數仍採用 Clos/肥樹的變體。AWS 率先展示了隨機圖網路在量產規模上的可行性，這不僅拉高了業界門檻，也迫使競爭對手要嘛跟進投入類似的扁平化技術，要嘛就得默默承受較高的網路成本。

• 學術與產業的里程碑：這篇論文象徵著隨機圖／擴展圖網路，首次從數十年的理論概念，走進現實世界中的超大規模生產環境。