QCN

1 3秒看懂

QCN（量化拥塞通知，Quantized Congestion Notification）是IEEE 802.1Qau标准定义的二层端到端拥塞控制协议。交换机主动对端口队列的拥塞程度进行量化采样，一旦拥塞超过阈值，立刻生成拥塞通知帧（CNM）单播回数据源端，指示其精确降速。QCN与逐跳反压的PFC（优先级流控制）协同，构成“端侧快降速、交换机防溢出”的双层无损以太网防护体系，是支撑AI训练集群中RoCEv2 RDMA通信零丢包、低尾延迟的关键网络机制。

2 3分钟产业解释

在生成式AI爆发以前，数据中心普遍依赖标准TCP/IP栈进行后端存储与计算通信。随着GPU集群规模从数百卡迈向万卡甚至十万卡，分布式训练中的AllReduce梯度同步、参数服务器等通信模式产生大量突发流量，传统以太网的随机早期丢弃和TCP重传不仅浪费带宽，还导致毫秒级抖动，严重拖慢训练效率。为此，产业界将RDMA（远程直接内存访问）移植到以太网，形成RoCEv2，让GPU可以绕过CPU直接读写远端内存。但RDMA对丢包极其敏感，一旦发生重传，性能成倍下降。

IEEE数据中心桥接（DCB）任务组为此制定了PFC（802.1Qbb）——一种逐跳流控机制，当交换机队列快满时立即向上一跳发“暂停”，阻止数据进入，避免丢包。PFC虽然堵住了漏洞，却会制造“拥塞树”：一台交换机反压导致上游一连串设备被拖慢，无辜流量也遭到阻塞，甚至引发死锁。QCN正是在这一痛点上被提出。它将拥塞控制的责任下放到源端：交换机仅需少量采样并量化拥塞程度，主动将通知发回数据发送方，让其尽快降低发送速率。这样，拥塞在源头被提前感知、快速掐断，大幅减少PFC的触发频次与作用范围，避免拥塞树和头部阻塞，保障AI网络的高通量、低延迟。

在产业部署中，QCN能力内嵌于支持DCB功能的交换机芯片和智能网卡（如NVIDIA ConnectX系列、Broadcom Trident/Tomahawk系列、Marvell Teralynx系列等）。超大规模云厂商（如Microsoft Azure、Meta、阿里云）和AI厂商部署RoCEv2时，通常启用融合了QCN思想的算法DCQCN，基于网卡和交换机协同，实现高度可调的拥塞管理。随着2023年后大模型竞赛推动AI集群带宽需求达到每GPU 400Gbps–800Gbps，QCN/DCQCN已成为高性能AI网络默认的拥塞控制选项之一。

3 技术原理

QCN由三个核心组件构成：拥塞检测、量化反馈帧生成、源端速率调节。三者闭环运行在二层广播域内，通常覆蓋单个Pod或集群的Spine-Leaf拓扑。

拥塞检测与量化：交换机为每个出口队列维护一个拥塞程度估计值（Qlen），并与两个阈值比较——最小阈值（min_thresh）和最大阈值（max_thresh）。当队列长度在min_thresh附近，认为仅轻微拥塞；超出max_thresh则为严重拥塞。实际实现中，交换机并非全量统计每个包，而是基于数据包或字节进行概率采样（采样权重w可配），以降低硬件资源消耗。每收到或发送一个包，算法更新内部拥塞估计Qeq。当Qeq超过严格阈值（通常定义为Qeq > Q_eq_min），交换机将该数据包所属的流标记为拥塞流，并准备发送拥塞通知。

量化反馈值Fb：拥塞的量化反馈值Fb是一个带符号的整数，表示队列长度相对于阈值的超出比例。具体公式在IEEE 802.1Qau标准中定义为：Fb = −（Qoff + w·Delta），其中Qoff是当前队列长度与参考点的偏移，Delta是队列变化速率，权重w用于平衡两者。负值的Fb表明需要降速，绝对值越大降速越急迫。交换机将Fb封装进一个特殊的控制帧——拥塞通知报文（CNM，Congestion Notification Message）。

CNM帧结构：CNM帧带有专门的以太类型标识，帧体包含CN-TAG（拥塞通知标签），其中嵌入拥塞流ID、Fb值、以及拥塞点信息。交换机根据被采样数据包的源MAC地址，直接单播CNM给源端主机，反馈环路仅需在交换机侧一跳可达，延迟极低（通常数微秒至数十微秒）。为防止CNM风暴，交换机会限制对同一流发送CNM的最小间隔，确保控制开销可忽略。

源端速率调节算法：源端网卡收到CNM后，根据Fb执行乘性减载：当前发送速率TR（Target Rate）立即乘以一个减小系数Gd（例如Gd=1/64，Fb归一化后）得到新的TR = TR × (1 − Gd × |Fb|)。倘若Fb指示拥塞严重，速率断崖式下降，保证队列快速排空。之后，若在预定时间窗口内未收到新的CNM，源端进入快速恢复阶段（Fast Recovery），以步长R_HAI加性增加速率，回升至目标水平的某一比例，再进入主动增加阶段（Active Increase），以更慢步长R_AI逐步恢复至全速。此方式避免了全网流速率同步震荡，实现了公平性和快速收敛。

与PFC的协同逻辑：PFC的门限通常设置在远高于QCN最大阈值的位置（如交换机缓冲的80%–90%），作为最后兜底。QCN在队列刚越过min_thresh时就开始动作，使得多数拥塞在触发PFC前得以化解。这样，PFC只处理极端突发，反压范围被压缩到1跳，显著缓解了拥塞树扩散。

DCQCN扩展：在RoCEv2端侧，产业界普遍采用DCQCN算法。DCQCN将QCN的思想与DCTCP的ECN标记方法结合：交换机在IP报文上打ECN标记（基于队列长度概率标记），而非直接发CNM；但不依赖接收端回传CNP，而是由接收端生成的拥塞通知包（CNP）触发发送端降速，其速率调整算法直接参考QCN的乘性减/加性增，并引入多个可调阶段（Hyper-Active Increase等）。DCQCN成为RoCEv2 RDMA事实上的拥塞控制标准，虽然与纯QCN有差异，但核心数学框架完全继承自IEEE 802.1Qau。

4 关键参数

QCN协议的性能高度依赖参数的选择。IEEE 802.1Qau标准定义了一系列可配置参数，各芯片厂商在ASIC固件中开放调整接口。以下是影响QCN行为的关键参数及典型范围（数据来源：IEEE 802.1Qau-2010标准文档、Broadcom ICOS/Arista EOS公开配置指南、NVIDIA ConnectX固件参考）：

• 采样权重（w）：平滑队列长度与变化率的权重因子，影响拥塞判断的灵敏度。标准建议缺省值为2，对应平衡型响应；设为1则偏向队列变化率，更快速响应瞬时突发。
• 队列长度阈值（Qeq_min, Qeq_max）：定义拥塞程度区域的边界。Qeq_min通常设置在缓冲区的15%–30%处，Qeq_max为30%–60%。当Qeq超过Qeq_min，交换机开始标识拥塞流并产生Fb；接近Qeq_max时，Fb趋向最大值，要求源端快速降速。不同芯片厂商推荐值略有差异，Arista在AI网络参考配置中建议将Qeq_min设为约25%的动态缓冲占用。
• Fb归一化范围：Fb为一个6位有符号整数（-32到+31），正数表示队列低于期望值（可加速），负数表示需要降速。实际映射基于队列偏移量和权重。典型的Fb总为负值，除非网络闲时主动通知加速（极少启用）。
• 通知间隔（CNM Interval）：限制对同一流连续生成CNM的最小时间间隔，单位为微秒，范围常见于50 μs至500 μs。间隔太短会导致CNM风暴和CPU中断负载；太长则降速延迟过大。Broadcom芯片推荐缺省为100 μs。
• 速率减小因子（Gd）：乘性降速比例因子，标准建议取值范围为1/32至1/256。较高的Gd（如1/32）使降速更激进，适用于对时延极度敏感、希望尽快清除队列的场景，但可能过度牺牲吞吐。NVIDIA在DCQCN的默认配置中，常将降速系数等效为Gd≈1/128。
• 恢复参数（R_HAI, R_AI）：快速恢复增量与主动增加增量，通常以百分比每秒表示。R_HAI推荐为5 Mbps阶跃，R_AI为1 Mbps或更细微，均需匹配链路速度。100Gbps链路上，R_HAI常设为50~200 Mbps循环增量。这些参数决定了流在无拥塞时的回升速度，过快会导致新的闪拥，过慢则浪费带宽。
• 拥塞点缓冲深度：交换机实际物理缓冲池大小决定了Qeq阈值的绝对值。现代数据中心交换机能提供数十MB共享缓存，但QCN作用于每个优先级的指定队列，队列缓存单元有限（例如几百KB到几MB）。AI集群交换机如Broadcom Tomahawk 5每端口缓存约为几十MB，但QCN队列阈值可设置为数百KB量级，需结合PFC的无丢包保证精细调节。
• DCQCN的额外参数（如α更新权重、CNP生成间隔、速率增加阶段的α阈值等）：不在原始802.1Qau中，但属于下游RoCE实现的核心杠杆，具体数字由网卡厂商预设，也可通过RoCE配置工具修改。公开资料显示，NVIDIA建议DCQCN的α更新加权值g=1/16，CNP每50 μs限发。

参数设定不当的常见后果包括：速率过度震荡、PFC风暴频率不减、带宽不公平。因此，最佳实践是根据真实工作负载在测试床进行灌包调优，并辅以遥测监控。

5 技术路线

QCN的技术演进可从标准、算法协同和下一代替代三条脉络梳理。

标准路线：2010年IEEE 802.1Qau正式发布，定义了二层量化拥塞通知的完整机制。此后，该标准未经历重大修订，但作为DCB协议族的核心组件，被广泛引用。2014年，随着RoCEv2在超大规模网络中试验，Microsoft Research与Mellanox（现NVIDIA）联合提出DCQCN，在SIGCOMM 2015上发表论文“DCQCN: Data Center TCP-like Congestion Control for RDMA”。DCQCN借鉴QCN的乘性减和快速恢复，融合IP ECN标记，形成适用于RDMA网卡的端侧拥塞控制算法，弥补了二层QCN在IP路由环境下的限制。DCQCN迅速成为RoCEv2部署的默认算法，并被写入InfiniBand贸易协会的RoCE规范附录。可以说，技术路线主线已从纯二层QCN发展为“交换机ECN标记+网卡DCQCN”的端网协同方案，但逻辑源头仍是QCN的量化反馈思想。

芯片实现路线：2010年代初期，Broadcom的StrataXGS/Trident系列、Marvell Prestera等首先在交换ASIC中硬件实现QCN采样、CNM生成等逻辑。随着芯片可编程性增强，厂商开始在智能管线中加入更灵活的拥塞通知触发条件。2018年后，商用芯片全面支持DCB和RoCE必备的QCN特性。NVIDIA收购Mellanox后，Spectrum交换机与ConnectX网卡实现了深度联动，可针对DCQCN参数进行端到端优化，甚至通过仿真软件提前验证。2024年，Broadcom发布Jericho3‑AI，内置AI拥塞感知路径，可基于队列深度和网络路径提供更及时的拥塞信息，可以视为QCN量化思想的硬件进化版。Marvell Teralynx系列通过可编程拥塞通知引擎，允许用户自定义类似QCN的反馈逻辑，用于特定场景。

替代与竞争路线：QCN/DCQCN并非唯一技术路径。首先是基于INT（In-band Network Telemetry）的精确拥塞控制，如HPCC（High Precision Congestion Control），利用交换机逐跳插入遥测信息，发送端可获知整条路径的精确负载，实现更平滑公平的速率调整。HPCC在学术界和部分云厂商内部得到验证，但交换机硬件要求高，可部署性受限。其次是Google的Swift协议，为数据中心设计的高效拥塞控制，使用接收端驱动的精确速率分配，但其依赖自定义传输层，与标准RoCE不兼容。再次是超大规模云自发协议，例如AWS的SRD（Scalable Reliable Datagram），不使用RoCE，也就无需QCN。此外，Ultra Ethernet Consortium（UEC）自2023年7月成立，旨在为AI和HPC打造新一代以太网传输，意图在传输层重新设计拥塞控制，可能结合多跳遥测和发送端精准调度，从而淡化传统二层QCN和DCQCN的中心地位。但UEC规范预计2024年底至2025年才会初步成熟，实际芯片和系统商用有待时日。

短期路线判断：在可预见的2~4年内，DCQCN及其变体仍将是RoCEv2 AI网络不可替代的拥塞控制主方案。理由包括：现网存量设备仅需固件升级即可支持优化后的DCQCN；NVIDIA生态中GPU到网卡到交换机的垂直集成形成强大锁定；多数企业AI集群不具备自研传输协议的能力。但中长期若UEC等标准化进展顺利，且多跳遥测硬件成本下降，QCN体系可能逐步被更精准、收敛更快的技术取代。

6 上游

QCN产业的上游，是构成量化拥塞通知完整数据路径的基础技术与组件，主要包括：

• 交换机ASIC设计：实现QCN所需的硬件单元，包括采样引擎、队列深度计量电路、CNM帧生成器、流量调度器。这些模块必须满足线速处理要求（当下51.2Tbps交换机单芯片需处理800Gbps端口），且功耗受到严格限制。上游核心企业为Broadcom（Tomahawk、Jericho系列）、Marvell（Teralynx系列）、NVIDIA（Spectrum系列）、Cisco（Silicon One）、Intel（Tofino系列，可编程）。2023年，Dell’Oro Group数据中心交换机芯片市场报告显示，Broadcom以超过60%的收入份额领先，NVIDIA受益于AI网络需求份额快速上升至约15%（来源：Dell’Oro Group，2024年1月报告，收入口径）。这些芯片需光罩、先进制程（7nm/5nm）以及HBM/GDDR等封装技术支持，进一步可追溯到台积电等代工上游。

• 网卡芯片与SmartNIC：负责接收CNM/CNP并执行速率调节算法，同时维持RDMA无状态卸载。主要供应商是NVIDIA（ConnectX‑7/8系列，基于ASIC）、Broadcom（Stingray系列）、Intel（IPU E2000系列，支持RoCEv2）、AMD/Pensando。这些网卡芯片内嵌拥塞控制状态机，部分支持可编程。根据650 Group发布的“Data Center SmartNIC Market Report (2024)”，2023年全球SmartNIC/DPU市场收入约18亿美元，其中NVIDIA占主导。QCN/DCQCN功能的实现深度直接影响AI网络的性能，成为网卡竞争的关键。

• PHY/SerDes与光模块：虽然不是直接执行QCN逻辑，但为CNM帧提供物理层的确定性低延迟传输至关重要。上游SerDes IP与PHY芯片供应商包括Broadcom、Marvell、Credo、Alphawave等。当前112Gbps SerDes大批量用于800G端口，单通道延迟在纳秒级，对QCN反馈环路的总延迟影响极小。

• 设计工具与IP授权：芯片设计过程中需要仿真和验证QCN协议栈的合规性，Cadence、Synopsys等提供以太网VIP（验证IP）和接口IP，内部嵌入IEEE 802.1Qau测试用例。

• 标准制定组织：IEEE 802.1工作组是“源头”知识供给者，其会议产生的标准修订、解释文件、互通性指南，直接指导芯片实现。任何QCN特性更新（如对CNM帧格式的扩展）都需该工作组批准。

上游成本结构中，QCN相关功能仅为芯片门级的一小部分，其研发投入被捆绑在整个交换机芯片项目中，没有独立的“QCN芯片”市场规模。公开资料未见专门针对QCN ASIC模块的产值拆解。但从趋势看，随着AI网络要求在交换机中增加基于队列深度的快速反馈，未来几年对可编程拥塞通知引擎的硅面积和研发投入将明显上升，成为上游芯片差异化的重要特征。

7 下游

QCN的下游覆盖从交换机/网卡设备商到最终AI应用方的完整产业链，其需求直接由AI训练和HPC负载驱动。

设备与系统集成：交换机制造商（OEM/ODM）从芯片上游采购ASIC，集成支持QCN的系统产品。代表厂商包括Cisco（Nexus 9000系列，NX-OS支持精细QCN策略）、Arista（7000系列，EOS内置AI网络PFC/QCN配置模板）、Juniper、华为、H3C，以及白盒ODM如Celestica、Accton。他们面向云和企业客户提供支持RoCEv2的交换机产品，通常预置QCN/DCQCN友好的端口配置方案。网卡设备商NVIDIA、Intel等则直接以PCIe插卡或OCP网卡交付。这些设备的采购方主要是云提供商和大型AI公司。

云厂商与超大规模数据中心：Microsoft Azure是RoCEv2+DCQCN大规模部署的先驱，在其内部验证表明，启用DCQCN后RDMA吞吐量提升数倍且尾延迟降低超过90%（根据SIGCOMM 2015论文数据）。Meta的FBNet集群也大量使用QCN/DCQCN，并在OCP峰会分享调优实践，包括为不同负载配置拥塞通知阈值和速率恢复参数。AWS早期试验过RoCE，但目前其自研SRD协议不依赖QCN；但是，非自研协议的云和企业AI服务商，如Oracle Cloud、阿里云、字节跳动等，在内部AI集群中普遍启用DCQCN。根据LightCounting 2024年AI集群网络报告，2023年部署的超过5000 GPU的AI集群中，RoCEv2渗透率约60%，其中绝大多数激活了基于QCN的拥塞控制。

企业AI与HPC：对快速构建AI基础设施的金融机构、自动驾驶公司、生物制药企业等，通过购买NVIDIA DGX SuperPOD或Arista/Cisco+GPU服务器集成方案，无缝继承了QCN/DCQCN。他们对技术细节介入少，但极其依赖网络中QCN的默认良好行为，以保证训练稳定。

软件生态与运维工具：下游还包括提供网络验证、监控与自动化工具的公司，如VMware（NSX）、Arrcus、以及AI网络性能管理初创公司。这些工具帮助用户可视化QCN事件、CNM频率、PFC暂停时间等，降低运维门槛。

下游需求的关键拉动因素有：AI集群规模增速、每GPU网络带宽迭代（从200Gbps向800Gbps跃迁）、多租户网络对无损保质的诉求，以及从单一训练场景扩展到推理+训练混合部署的需求。

8 受益公司

（本节仅客观陈述产业链参与方及其布局，不构成任何投资建议或买卖意见）

• NVIDIA：全栈受益，Spectrum交换机与ConnectX网卡的QCN/DCQCN协同构筑了其AI网络护城河。NVIDIA的Spectrum-X平台打包了自适应路由与增强DCQCN，专为万卡集群优化。其Mellanox技术遗产提供了丰富的参数调优库，是AI网络事实标准制定者。

• Broadcom：作为数据中心交换机芯片龙头，其Tomahawk 5和Jericho3-AI系列对QCN功能提供可靠的硬件实现，并对外部软件生态（如SONiC）完全兼容。受益于AI网络交换机大规模铺货及换机潮，其芯片出货量为Arista、Dell等OEM提供了QCN底层能力。

• Arista Networks：通过高度可编程的EOS，在AI网络中得到大量部署。Arista与Broadcom/NVIDIA合作紧密，其AI网络参考架构集成了经过验证的PFC+QCN模板，降低了云厂商部署门槛。2023年末Arista宣布AI相关收入增长迅速，QCN/PFC的支持是争取AI客户的关键技术点。

• Cisco：Silicon One芯片家族在企业与云数据中心并存，Nexus交换机对DCB完整支持，QCN参数可通过ACI或NX-OS策略配置。Cisco在传统企业AI部署中占有较大份额，同时积极争夺云白盒市场。

• Marvell Technology：Teralynx交换机芯片内嵌可编程拥塞通知引擎，可灵活适配QCN及未来变体，云客户可根据自身需求自定义拥塞量化函数。Marvell在2024年强调AI网络将成为其数据中心业务增长引擎。

• 超大规模云厂商的自研部门：如Meta、Microsoft的Networking团队，基于QCN/DCQCN进行大量自主调优，产出论文与白皮书，反向推动芯片和设备商优化。他们虽不售卖产品，但通过开源经验或OCP贡献影响产业方向，并受益于成熟QCN方案使其AI集群快速上线。

• IP与EDA厂商：Cadence、Synopsys等的以太网验证IP涵盖802.1Qau，使芯片厂商能加速合规性验证，间接受益。

值得注意，一些走自研传输协议的厂商（如AWS的SRD）未直接受益于QCN，但他们从更宏观的拥塞控制演进中获得对比基准。

9 市场规模

由于QCN并非独立售卖的产品，其市场规模须通过相关网络设备和芯片的出货量来间接评估。从多个维度可勾勒其可寻址市场。

数据中心以太网交换机市场：IDC全球季度以太网交换机追踪报告显示，2023年全年数据中心以太网交换机市场规模达到216亿美元，同比增长14%（来源：IDC，2024年3月发布，厂商收入口径）。其中200Gbps/400Gbps及以上高带宽端口增长迅猛，主要由AI/ML部署驱动。这些高性能交换机几乎100%硬件支持DCB/QCN（因为DCB是数据中心交换机标准特性）。假设AI/ML相关负载占2023年数据中心交换机总市场约25%，即为54亿美元，且预测2024年份额继续提升。另外，根据Dell’Oro Group 2024年7月发布的“Data Center Switch Report”预测，2024年全球数据中心交换机市场将突破250亿美元，其中专用于AI后端网络的交换机收入有望超过10亿美元。QCN/DCQCN作为AI后端网络必需功能，涵盖这些市场。

网卡/SmartNIC市场：650 Group数据表明，2023年支持RDMA/RoCE的智能网卡市场收入约18亿美元，预计到2028年超40亿美元。其中，专门面向AI的ConnectX类网卡约占较大比重，默认搭载DCQCN。故与QCN相关的网卡收入在2023年约为数亿美元量级并快速成长。

AI集群网络整体投入：LightCounting估计，2023年全球AI服务器网络连接（包括交换机、网卡、光模块等）总投资约187亿美元，RoCEv2和InfiniBand区隔市场。其中RoCEv2网络部分（涵盖QCN相关设备）在2023年约30亿美元，预计到2028年增至100亿美元（来源：LightCounting，2024年4月报告）。此口径包含了交换机、网卡和光模块，QCN作为软件功能无独立定价，但其附着在这些设备上，间接反映了市场体量。

软件与服务：针对QCN参数调优、网络验证与监控的软件及服务尚无专门的市场统计。公开资料未见划分数字，但在AI网络运维市场中，拥塞控制分析与优化已逐渐成为卖方增值服务内容。

需注意的是，几乎所有市场规模数字均指向更大的“无损网络”或AI网络，QCN的市场规模必须从这个总筐中理解。由于没有QCN单独销售，谈纯粹“QCN市场规模”缺乏财务口径，本节数字均为下游硬件市场的合理参考。

10 玩家对比

在支持QCN/DCQCN的交换机芯片与设备层面，主流玩家在技术实现和应用侧重上存在差异。以下从几个主要维度进行横评，不构成性能优劣判断，仅描述各自特点。

芯片硬件级 QCN支持粒度

• Broadcom Tomahawk/Jericho系列：QCN逻辑固定于标准数据中心桥接流水线，提供低延迟、低抖动的拥塞通知触发，适配业界通用DCQCN。参数可通过交换抽象接口或SONiC配置。Jericho3-AI特别增强了拥塞感知队列，支持基于端口的ecn/qcn混合标记，提供流级区分能力。
• NVIDIA Spectrum系列：硬件深度配合ConnectX网卡DCQCN算法，内置加速器可协助处理CNP/CNM提速，支持动态阈值配置。Spectrum-4还可根据端口级遥测微调拥塞通知策略，可实现与NVIDIA GPUDirect RDMA联合优化。
• Marvell Teralynx系列：强调可编程性，允许用户自定义拥塞量化曲线和CNM生成条件，提供灵活的Fb映射表。适合具有强烈定制需求的大型云厂商。
• Cisco Silicon One/Q系列：集成成熟的DCB流水线，QCN作为基础功能提供，但Cisco的端到端优化多配合其Nexus Dashboard控制器，实现策略集中下发。
• Intel Tofino系列：基于P4可编程，可原生构造QCN-like拥塞通知机制，甚至实现改进版的量化反馈。但功耗与成本限制其在超大规模AI网络中的广泛渗透。

整体端网协同能力
NVIDIA凭借网卡与交换机的同源生态，能实现DCQCN全栈参数一键配置、遥测联动和软件仿真预验证，端网协同性最强。Broadcom虽芯片遍布多数OEM，但网卡端主要依赖同行（如Broadcom自家的Stingray或NVIDIA），端