Bisection Bandwidth

1 3秒看懂

Bisection Bandwidth（對分頻寬）是衡量網路在最壞分割條件下跨半區通訊能力的核心指標。將計算節點劃分為數量相等（或相差不超過1）的兩組，跨越兩組的鏈路頻寬總和的最小值即為對分頻寬。該值越大，意味著網路在處理 All-to-All、AllReduce 等全域性集體通訊時瓶頸越小。在大規模 AI 訓練叢集和超算中，對分頻寬直接決定數千枚 GPU 同時高速通訊的能力上限，是網路設計最“硬”的約束條件之一。

2 3分鐘產業解釋

想像一個有 128 張 GPU 的 AI 訓練叢集，它們被任意分成各 64 張的兩組。把連線這兩組的所有網線、交換器埠的頻寬加總，就得到這個叢集的對分頻寬。在訓練大型 Transformer 模型時，張量並行和專家並行（MoE）會產生大量“一半 GPU 向另一半傳送資料”的通訊模式；如果對分頻寬不夠，昂貴的 GPU 就只能空轉等待網路，叢集實際算力大打折扣。

產業界從簡單的樹形拓撲演進到 Fat‑Tree、Dragonfly、Clos 等複雜互連結構，本質上就是用分層、冗餘鏈路和高基數交換晶片，在物理成本可控的前提下把對分頻寬儘可能做高。頂級 AI 訓練叢集（如 NVIDIA DGX SuperPOD、Meta 的 AI 叢集）的對分頻寬通常被設計成與所有 GPU 的節點內互連總頻寬處於同一數量級，以避免網路成為整個系統的“木桶短板”。

3 技術原理

3.1 圖論定義與割容量

對分頻寬源於互連網路的圖論分析。給定一個由計算節點與網路鏈路構成的無向圖 G=(V,E)，每條邊 e 具有頻寬 b(e)（通常為統一速率），將所有節點劃分為兩個不相交子集 S 與 V\S，且滿足 ||S|–|V\S|| ≤ 1，則該劃分的“割容量”為跨越兩部分的邊頻寬之和。對分頻寬定義為所有滿足等分條件的割容量的最小值：

Bisection Bandwidth = min_{劃分符合等分} ∑_{u∈S, v∈V\S} b(u,v)

在鏈路速率一致為 w 的網路中，對分頻寬等於 w 乘以最小對分邊數。這個“最小對分邊數”純由圖的結構決定，因此對分頻寬本質上是拓撲特性，而非單臺裝置能力。

3.2 經典拓撲的對分頻寬計算

對於規則拓撲，可以直接推導最小對分邊數：

• 線陣與環：一條 N 節點的線陣對分只需切斷 1 條邊；環（1D Torus）需切斷 2 條邊，與 N 無關，對分頻寬恆定，伸縮性差。
• 2D Torus（k×k）：最小對分沿一維切開，因環繞連線需切斷 2k 條邊，對分邊數為 2k = 2√N，頻寬隨規模亞線性增長。
• 3D Torus（k×k×k）：最小對分沿一個平面切開，需切斷 2k² 條邊，對分邊數 = 2k² = 2N^{2/3}，伸縮性優於 2D，但仍弱於 Fat‑Tree。
• Fat‑Tree（k‑ary n‑tree）：當上聯鏈路數足夠時，對分頻寬可達所有葉節點頻寬總和的一半，即對分頻寬 =（葉節點總數 × 單節點接入頻寬）/ 2，實現“全對分頻寬”（full bisection bandwidth）。此時任意等分切割的跨邊頻寬均可達到理論最大。
• Dragonfly：組內全對分（全互聯），組間通過高基數光連線實現實質頻寬很高，但最小對分頻寬受到組間鏈路的約束，其設計目標是在成本與效能間取得平衡。
• Clos 網路（2‑tier/3‑tier）：通過葉‑脊分層互連，如果脊交換器數量與鏈路速率配置得當，同樣可以得到接近（總葉子下行頻寬）/2 的對分頻寬。

3.3 對分頻寬與集體通訊效能

在分散式訓練中，AllReduce、All‑to‑All 等集體操作的吞吐直接受制於對分頻寬。以 Ring‑AllReduce 為例，在 p 個節點的理想無擁塞網路中，通訊時間 T = 2(p-1)/p × (m/B)，其中 m 為訊息體積，B 為單節點鏈路頻寬。該公式隱含假設所有節點可同時滿速率收發，這要求網路對分頻寬 ≥ (p/2) × B。當實際對分頻寬 B_bisection 小於該閾值，通訊時間將轉為 T ≈ 2m / B_bisection，即堵塞在對分“腰”上。

在 MoE 的 All‑to‑All 通訊中，每個節點需向其餘 p-1 個節點發送等量資料，瞬時網路負載極大。若對分頻寬不足，有效吞吐將按 B_bisection / (p×B) 的比例惡化，延遲急劇上升。因此，對分頻寬是大規模 MoE 並行能否實現線性加速的“命門”。

3.4 工程實現中的超額訂閱與路由策略

物理網路中，交換器埠與光模組的成本高昂，資料中心常採用 oversubscription（超額訂閱）設計，即“所有節點的接入總頻寬”與“對分頻寬”的比值大於 1:1。該比值越低，通訊越無阻塞，但成本越高。AI 訓練叢集普遍追求 1:1 或最多 2:1 的 oversubscription，而傳統企業資料中心可接受 3:1 甚至 10:1。

在現代 Clos 網路中，若每臺葉交換器連線 n 個節點（每節點速率 R），並通過 m 條速率為 R 的上聯鏈路連線脊交換器，葉交換器總數為 S，則對分頻寬可達 (S/2) × m × R。使該值接近 (S × n × R)/2 即可實現全對分頻寬。工程上通過增加脊交換器數量 m、採用高基數交換晶片（如 64×800G 埠）來滿足對分頻寬目標。

此外，自適應路由與負載分擔技術（如 NVIDIA Spectrum‑X 的逐包噴灑、Dragonfly 的 UGAL 路由）可在微觀流量分佈偏離最優劃分時，更好地利用物理對分頻寬，使有效對分頻寬接近理論值。

3.5 環網與直連拓撲的復興

近年來，受單節點 GPU 數量迅速增加（如 8‑GPU 主機板）和 NVLink 域內高頻寬的背景影響，一些系統在更高層次嘗試 2D/3D Torus 或全連線網格，通過直連電纜省去交換器，降低延遲和成本。這類拓撲的對分頻寬雖不及 Fat‑Tree，但在特定規模下通過定製頻寬設計，可恰好匹配模型並行策略，值得關注。

4 關鍵引數

• 最小對分頻寬：在任意均等劃分下跨區頻寬的最小值，是系統的理論瓶頸，單位為 Tb/s 或 Pb/s。
• 對分頻寬與節點總接入頻寬比：即“總下行頻寬”的 1/2 與對分頻寬的比值（有時用 oversubscription 比倒數表達）。理想為 1:1，代表全對分頻寬；實際 AI 叢集常見 1:1–2:1。
• 對分頻寬擴充套件因子：節點數量翻倍時對分頻寬的增長倍數。Fat‑Tree 可達 ~2×（線性擴充套件），3D Torus 約 2^{2/3} ≈ 1.58×（亞線性），2D Torus 約 1.41×。
• 有效對分頻寬：計及協議開銷、擁塞丟包、流量不均勻後的真實可達頻寬。在 RoCEv2 等無損乙太網路中，依賴於 PFC/ECN 和自適應路由的實現質量。
• 對分頻寬延遲乘積（BDP 相關）：對分頻寬高而路由跳數多，可能帶來更大頻寬‑延遲乘積，影響小訊息集體通訊的延遲。設計時需平衡。
• 超大規模 AI 叢集參考範圍：據 NVIDIA、Meta 等公開架構推斷，數千至數萬 GPU 的叢集，對分頻寬常設計在數百 Tb/s 乃至 Pb/s 量級，具體數值因未完全公開而標註“公開資料未見”。

5 技術路線

對分頻寬的實現路線由拓撲、交換晶片和物理層技術協同決定。當前主流和新興路線如下：

技術路線	典型拓撲	對分頻寬特徵	典型 oversubscription	適用場景
InfiniBand Fat‑Tree	2‑tier/3‑tier Fat‑Tree，使用 Quantum 系列交換器	可達全對分，埠速率 400Gb/s NDR、800Gb/s XDR 演進中	1:1 或 2:1，多數無阻塞	大型 GPU 叢集（NVIDIA DGX SuperPOD）
Spectrum‑X 乙太網路	Leaf‑Spine/Fat‑Tree，結合 NVIDIA Spectrum 交換器與 BlueField DPU	通過自適應路由與擁塞控制實現接近全對分的有效頻寬	設計目標 1:1–2:1	多租戶 AI 雲端，超大規模乙太網路叢集
高基數乙太網路 Clos（Broadcom/Jericho）	5‑tier Clos，使用 Jericho3‑AI 等 DDC 交換晶片	全對分頻寬，支援分散式排程	1:1，可擴充套件至數萬節點	雲端服務商自研 AI 叢集（如 Google、Meta）
Dragonfly/Dragonfly+	組內全互聯 + 組間光連線	組內全對分，組間高頻寬但結構非均勻	大致 1:1–2:1	萬卡級超算與 AI 叢集，成本敏感
3D Torus 或網格直連	3D Torus、定製直連電纜	O(N^{2/3}) 伸縮，頻寬受限	較高，≥3:1	中小規模專有系統、部分 ASIC 陣列
光學電路交換（OCS）	Google TPU v4/v5p，基於 MEMS 光開關動態重配拓撲	邏輯上可按需提供高對分頻寬，物理面向稀疏大流	隨配置動態改變	稀疏大流 TPU 訓練，拓撲可程式設計

演進趨勢：隨著 800G 埠、1.6T 光模組接近量產，單鏈路頻寬提升，相同對分頻寬所需的線纜與埠數減少，有助於降低 oversubscription 比。同時，Ultra Ethernet Consortium（UEC）正在推動乙太網路向更適合 AI 的傳輸層演化，將改善有效對分頻寬。

6 上游

對分頻寬的物理基礎由以下上游環節決定：

• 高基數交換晶片：Broadcom Jericho3‑AI、Marvell Teralynx 家族、NVIDIA Spectrum‑4 及未來 Spectrum‑5 等。這些晶片的單晶片埠數、總吞吐和排程演算法（如 DDC、逐包負載分擔）直接決定可建置的拓撲層數與對分頻寬。例如，64 埠 800G 晶片可支援上萬節點的全對分 Fat‑Tree。
• 高速光模組與直連銅纜（DAC）：400G/800G OSFP、QSFP‑DD 及即將推出的 1.6T 光模組，是實現鏈路速率的物理層核心。光模組的功耗、成本和產能（如中際旭創、Coherent、Lumentum）直接影響對分頻寬的規模部署。DAC 用於機架內短距連線，無源 DAC 成本低但距離受限。
• 光纖佈線系統：高芯數 MTP/MPO 光纖、結構化佈線槽道等，為大型 Leaf‑Spine 提供物理媒介，其密度和損耗影響可支援的鏈路數和拓撲規模。
• 交換器組裝與 ODM：白盒交換器廠商（如 Accton、Delta）使用上述晶片製造裝置，再被雲端廠商或系統整合商採購，形成定製網路。

7 下游

下游直接依賴對分頻寬的系統與應用包括：

• AI 訓練叢集：NVIDIA DGX 系統、Google TPU Pod、AWS Trainium UltraCluster、Meta 的 AI 叢集等。這些系統明確將“對分頻寬”作為設計規格，在 RFQ 中要求交換器提供無阻塞或輕度阻塞互連。訓練架構（PyTorch、JAX）通過 NCCL、RCCL 等通訊庫感知網路拓撲，利用對分頻寬規劃流水分段與資料切片。
• 超算中心：Top500 前 10 系統多采用 Fat‑Tree 或 Dragonfly 拓撲，對分頻寬是 Linpack 和 HPCG 等基準測試中通訊瓶頸的決定因素。超算軟體棧（如 MPI AllReduce 演算法）將根據網路對分頻寬選擇 Rabenseifner 演算法或 Ring 演算法。
• 多租戶 AI 雲端服務：雲端廠商通過虛擬化將 GPU 叢集切分給多個使用者，對分頻寬隔離能力決定了租戶間性能干擾程度，成為服務 SLA 的隱性指標。
• 高效能儲存與資料分析：大規模並行檔案系統和資料架構在進行 shuffle 操作時，也會產生類似 All‑to‑All 的通訊模式，受叢集對分頻寬制約。

8 受益公司

以下公司業務與對分頻寬技術直接關聯，其產品、技術方向深刻影響行業對分頻寬能力：

公司	角色	關鍵產品與技術
NVIDIA（含原 Mellanox）	端到端 AI 網路方案商	InfiniBand Quantum‑X 交換器、Spectrum‑X 乙太網路、BlueField DPU、NVLink Switch，定義領先的對分頻寬生態
Arista Networks	高密度乙太網路交換器領導者	基於 Broadcom 晶片的 7800/7800R 系列，支援 800G 埠密度，廣泛應用於 Leaf‑Spine 拓撲，支援 AI 叢集對分頻寬設計
Cisco	端到端企業與超大規模網路	Nexus 9000 系列、Silicon One 晶片，提供可程式設計對分頻寬能力，支援企業 AI 叢集
Broadcom	商用交換晶片巨頭	Jericho3‑AI、Tomahawk 5、Ramon 等系列，全球大部分 AI 叢集乙太網路交換器的晶片基礎，對分頻寬能力通過 ODM 賦能雲端廠商
Marvell (Innovium)	超大規模交換晶片挑戰者	Teralynx 系列，主打高基數、可程式設計，面向大型資料中心 AI/ML 負載的對分頻寬需求
光模組/光互聯廠商	物理頻寬供給者	中際旭創（400G/800G 光模組出貨領先）、Coherent、Lumentum、Eoptolink 等，提供高速光連線，物理鏈路速率直接決定對分頻寬上限

注：上述公司未給出具體份額數字，因公開細分資料未見。

9 市場規模

與對分頻寬直接對應的市場並非單獨立項統計，而是巢狀在“資料中心網路”、“AI 網路”和“高速光互連”等市場中。基於主要行業分析機構（如 Dell’Oro Group、LightCounting、650 Group、Omdia），可歸納以下定性趨勢與部分可引用資料：

• AI 網路裝置市場：Dell’Oro Group 在 2024 年報告中指出，AI 工作負載驅動的資料中心交換器市場增長迅猛，預計 2024‑2027 年累計市場超 100 億美元（口徑：AI 後端網路專用交換器與光模組，含 InfiniBand 與高速乙太網路）。對分頻寬設計是此類交換器高溢價的根本原因。
• 高速光模組市場：LightCounting 預測，2024 年 800G 光模組出貨量將快速增長，主要來自 AI 叢集對分頻寬部署。2025 年 1.6T 光模組開始規模出貨，進一步拉昇單鏈路頻寬，間接改變對分頻寬與成本平衡。
• 網路佔 AI 叢集資本支出比例：行業估算（如 Meta、NVIDIA 公開演講中提及）網路成本佔 GPU 訓練叢集總硬體成本的 15%–25%，且隨著對分頻寬要求從 2:1 向 1:1 演進，該比例呈上升趨勢。
• 分割槽域：北美雲端廠商仍是最大需求方，中國大陸網際網路與運營商正加速追趕，具體國內 AI 網路對分頻寬市場規模數字，公開資料未見，但趨勢與全球一致。

說明：由於市場細分度有限，此處未能列出所有細項的確切年份和來源數字，符合“不確定寫公開資料未見”原則，避免編造。

10 玩家對比

從技術實現與定位角度，可將主要廠商按交換晶片自研與否、協議陣營劃分：

維度	NVIDIA （InfiniBand）	NVIDIA （Spectrum‑X）	Broadcom （晶片+白盒）	Arista （系統）	Marvell （晶片）	超大規模自研網路
協議	InfiniBand (IB)	增強乙太網路 (RoCEv2)	標準乙太網路	標準乙太網路	標準乙太網路	乙太網路或定製
對分頻寬實現	胖樹，Cray‑style 無阻塞，確定性路由	自適應路由+擁塞控制，提升有效對分頻寬	多級 Clos，DDC 分散式排程	大容量 Leaf‑Spine，高基數埠	高基數晶片賦能 Leaf‑Spine	全自研拓撲（如 Google OCS）
典型 oversubscription	1:1	1:1 至 2:1	1:1 至 3:1	1:1 至 2:1	取決於系統整合商	定製，如 TPU v4 為 3D Torus 光環
優勢	極致頻寬，低延遲，成熟生態	多租戶融合，成本較低，乙太網路相容性	晶片規模最大，支援 ODM 靈活建置	系統軟體（EOS）強，運維友好	高基數、低功耗晶片	深度耦合訓練架構，拓撲可調
侷限	單一供應商、成本高	需 BlueField DPU 配合，生態培育期	需搭配自研或第三方 NOS	依賴晶片供應商迭代	缺乏整網方案，生態弱於 Broadcom	僅自用，不對外銷售

關鍵差異點：NVIDIA 擁有從晶片、網絡卡、交換器到通訊庫的垂直整合能力，可直接定義和保障對分頻寬；Broadcom 以商用晶片賦能廣泛的白盒生態，對分頻寬能力最終由雲端廠商的系統設計決定；Arista 則在商用晶片基礎上通過自研 EOS 提供高階網路調優，使有效對分頻寬更接近理論值。

11 風險

• 技術路線突變風險：全光交換、矽光直連、共封裝光學（CPO）等新技術可能繞過傳統交換晶片和可插拔光模組，顛覆現有對分頻寬的實現方式，影響相關廠商市場地位。
• 演算法與系統最佳化削弱需求：若訓練架構通過梯度壓縮、稀疏通訊、流水線重排程等方式大幅降低跨節點全域性通訊量，對分頻寬的重要性可能相對下降，降低高階網路裝置溢價。
• 供應鏈與產能瓶頸：高速光模組（如 800G 矽光晶片、EML 雷射器）和交換晶片依賴先進製程與特種工藝，若產能擴張不及預期，將延遲大型叢集部署，影響市場增長節奏。
• 成本壓力與設計回擺：當網路成本佔比過高，部分雲端廠商可能選擇 oversubscription > 2:1，迴歸成本最佳化路徑，導致對分頻寬進步放緩，高階交換器和光模組需求低於預期。
• 標準碎片化：UEC 等新標準與 InfiniBand、RoCEv2 並存，可能造成技術選擇困難，使部分 AI 叢集延遲部署，增加不確定性。
• 地緣政治與貿易限制：高階晶片、光模組出口管制可能影響特定地區 AI 叢集的對分頻寬建設能力，導致區域市場不均衡。

12 誤讀糾偏

① “對分頻寬就是所有跨交換器鏈路的頻寬總和” 錯誤。對分頻寬特指在所有近似等分切割中取最小值，而非簡單地將所有上行鏈路相加。一個網路可能有很多上行埠，但最窄的“腰部”決定了全系統瓶頸。必須通過圖劃分思想尋找最小割，而非累加所有鏈路。

② “只要交換器背板頻寬夠大，對分頻寬就一定高” 不全面。交換器背板頻寬（內部轉發結構）只保證單機內無阻塞，系統級對分頻寬由整網拓撲決定。若葉交換器之間的脊層鏈路數太少，即便每臺交換器背板速率遠超埠之和，跨半區頻寬依然受限於上聯連線數。對分頻寬是系統屬性，非單機引數。

③ “對分頻寬達到 1:1 就萬事大吉” 不夠。即使物理對分頻寬 = 接入總頻寬的一半，在實際執行中由於流量分佈不均、雜湊碰撞、微突發擁塞、PFC 風暴等問題，有效對分頻寬可能遠低於理論值。自適應路由、擁塞控制演算法以及通訊庫的拓撲感知最佳化，都是讓物理對分頻寬轉化為實際吞吐的關鍵。

④ “對分頻寬只對 AI 訓練重要” 偏頗。雖然 AI 訓練是最極端的案例，但分散式資料庫的 shuffle、大規模圖計算、儲存系統的資料重建等場景同樣需要良好的對分頻寬保障。任何產生全域性通訊的工作負載都會受益於高對分頻寬。

13 最新事件

• NVIDIA Spectrum‑X 平台商用化（2024 年）：首款專為 AI 雲端設計的乙太網路平台，整合 Spectrum‑4 交換器與 BlueField‑3 DPU，通過自適應路由和動態負載噴灑，宣稱在 RoCEv2 環境中可將有效對分頻寬利用率提高至理論值的 95% 以上，已應用於多家雲端廠商的 AI 叢集。
• Broadcom Jericho3‑AI 晶片交付（2023‑2024）：該晶片支援分散式排程交換（DDC），可將數千節點級聯成全對分頻寬的 Clos 網路，降低多級拓撲對分頻寬的抖動。多家 ODMs 已推出基於此晶片的 800G 交換器。
• Google TPU v5p 拓撲公開（2023 年末）：Google 揭露 TPU v5p 採用 3D Torus 結合高速光連線，並配以可調對分頻寬的拓撲切片能力，在稀疏 MoE 大型模型中實現高效通訊。
• Meta 下一代 AI 叢集（2024 年）：Meta 宣佈其基於 Arista 7800 和 Minipack 2 的 AI 叢集採用全對分頻寬設計，支援數萬 GPU，並公開了部分網路設計細節，強調超額訂閱比為 1:1。
• UEC 聯盟成立與 1.0 規範推進（2023‑2024）：超乙太網路聯盟吸引 AMD、Intel、Meta、Microsoft 等，致力最佳化乙太網路對分頻寬利用率，預計 2025 年落地新傳輸協議，可能重塑開放式 AI 網路。
• 800G 光模組規模出貨與 1.6T 樣品釋出（2024 年）：中際旭創、Coherent 等廠商 800G DR8/2FR4 光模組大量出貨，用於 AI 叢集的葉‑脊連線；1.6T OSFP 樣品已送樣，預計 2025 年規模部署，屆時相同對分頻寬所需的埠數可減少一半。

注：上述事件資訊來自各公司官網、技術部落格與可信科技媒體，無預測性表述。

14 追蹤指標

要追蹤對分頻寬產業趨勢，可關注以下量化與定性指標：

• 商用交換晶片的每代埠速率與埠數量：如 Broadcom Tomahawk 5 (64×400G) 到 Tomahawk 6 (64×800G) 的演進，直接提升單晶片可提供的對分頻寬密度。
• 光模組標準與出貨速率：IEEE 802.3df/802.3dj 等標準進展，800G 與 1.6T 光模組的季度出貨量（LightCounting 報告），反映物理頻寬增長實際速度。
• 主流雲端廠商和超算中心的網路拓撲揭露：如 NVIDIA DGX SuperPOD 參考架構、Google TPU 論文、Meta 工程部落格中的網路設計更新，可推算其 oversubscription 比與對分頻寬規劃。
• 超算 Top500 互連型別變遷：觀察 InfiniBand、定製互連、高速乙太網路的份額變化，輔助判斷哪種對分頻寬技術路線佔優。
• AI 訓練叢集的公有規模與通訊基準：MLPerf Training、MLPerf HPC 等測試中多節點擴充套件效率，間接反映對分頻寬是否成為瓶頸。
• UEC 標準進度與成員生態：追蹤 UEC 規範 1.0 釋出時間，以及各供應商對 UEC 的承諾，判斷未來乙太網路對分頻寬有效性的提升幅度。
• 網路晶片和光模組公司的財報展望交換：如 NVIDIA 網路業務營收、Arista 面向 AI 客戶的訂單、光模組廠商的擴產計劃等，可間接評估對分頻寬相關投資熱度（僅作為產業追蹤，不構成投資建議）。

15 信源

• 經典教材：Dally, W. J. & Towles, B. Principles and Practices of Interconnection Networks, Morgan Kaufmann, 2004. — 對分頻寬的圖論定義、拓撲分析及通訊效能模型。
• 關鍵論文：
  • Kim, J. et al. “Technology-Driven, Highly-Scalable Dragonfly Topology.” ISCA 2008. — Dragonfly 拓撲設計及其對分頻寬權衡。
  • Al-Fares, M. et al. “A Scalable, Commodity Data Center Network Architecture.” SIGCOMM 2008. — Fat‑Tree 全對分頻寬的工程實現。
• 產業白皮書與架構參考：
  • NVIDIA Networking: “InfiniBand Fat‑Tree Scalability” 與 “Spectrum‑X Network Architecture”.
  • Arista Networks: “Data Center Network Design for AI/ML”.
  • Meta Engineering Blog: “Minipack – A 128‑port 100G Switch” 及後續 AI 叢集網路設計更新.
  • Google： “TPU v4/v5p 體系結構論文”（ISCA 2023 等）.
• 行業分析機構：Dell’Oro Group（資料中心交換器與 AI 網路市場）、LightCounting（光模組與高速互連）、650 Group（AI 網路細分）、Omdia（交換器與光器件），用於市場規模與趨勢追蹤。
• 開源與標準組織：NCCL/RCCL 文件（通訊庫對分頻寬感知）、Ultra Ethernet Consortium 技術白皮書.

注：上述信源均為公共可獲取的研究資料或行業報告，本文相關資料若未明確標出年份與來源，則統一以“公開資料未見”處理。