AI流量往往具有突發性、大象流（大規模數據流）占比高的特點，極易造成網絡擁塞熱點。一條質量不佳（如高延遲、高丟包、帶寬受限）的路徑，不僅自身無法有效傳輸數據，如果ECMP繼續向其分發流量，還可能導致該路徑上的擁塞加劇，形成惡性循環，進而“污染”整條路徑上的流量，波及更多正常應用。因此，構建一個能夠實時感知路徑質量、動態規避異常路徑的智能負載均衡機制，成為支撐高性能AI計算的關鍵基礎設施之一。

為了解決上述挑戰，我們引入了基于路徑綜合質量的動態權重成本多路徑（Weighted Cost Multipath, WCMP）機制。該機制的核心在于持續評估并利用路徑的綜合質量作為流量調度的核心依據。

路徑綜合質量評估

系統持續監控每條可用路徑的關鍵性能指標，這些指標通常包括但不限于：

• 延遲 (Latency): 數據包端到端傳輸耗時。
• 丟包率 (Packet Loss Rate): 傳輸過程中丟失的數據包比例。
• 帶寬利用率 (Bandwidth Utilization): 路徑當前占用帶寬與其理論容量的比值。
• 錯誤率 (Error Rate): 如鏈路層錯誤等。
• 通過預設的算法（如加權計算、機器學習模型評分等），將這些原始指標融合計算為一個綜合質量得分（通常是一個數值）。這個得分量化地反映了該路徑在當前時刻傳輸流量的“健康度”或“優良程度”。得分越高，代表路徑質量越好；得分越低，代表路徑質量越差，越接近異常狀態。

異常路徑判定與剔除

系統設定一個約定的質量閾值系數。該閾值代表了我們認為一條路徑可以承載正常AI流量的最低可接受質量水平。

• 判定邏輯： 當系統計算出的某條路徑的綜合質量得分低于此約定閾值時，即認為該條路徑在當前AI場景下不再可用，判定為異常路徑。
• 處理動作： 立即將這條異常路徑從當前有效的負載均衡路徑池中剔除（Prune）。這意味著后續的流量調度將暫時不再考慮此路徑。

如圖所示，當Leaf1與Leaf2通信存在四條路徑時，假設根據seo7 中的算法邏輯在Leaf1中計算出四條路徑綜合質量分別為4.5、55、65和75，此時紅色路徑會被剔除，剩下的三條路徑根據各自路徑質量形成WCMP。待紅色路徑質量恢復達標后，它將重新加入路徑池并參與負載均衡。

路徑的動態WCMP調度

剔除異常路徑后，系統使用剩余的健康路徑來承載流量。根據剩余每條健康路徑的綜合質量得分，動態計算并分配其流量轉發權重。質量越高的路徑，獲得越高的權重，意味著它能承載更大比例的流量；質量相對較低（但仍高于閾值）的路徑，則獲得較低權重。這種基于實時質量動態調整權重的WCMP策略，確保了流量能夠最大程度地流向當前最優的路徑，優化整體傳輸效率和性能。

路徑恢復與重新引入?

被剔除的路徑并非永久廢棄。系統會持續監控其綜合質量。一旦該路徑的質量得分恢復到約定閾值之上并保持穩定一段時間（避免抖動），系統會將其重新引入有效路徑池。重新引入后，該路徑將根據其最新的綜合質量得分，參與后續的動態WCMP權重計算，重新分擔流量。

在AI驅動的數據中心網絡環境中，傳統的“盡力而為”和“無差別均分”負載均衡策略已力不從心。基于路徑綜合質量的動態WCMP機制，通過實時感知路徑狀態、果斷剔除異常、智能調度“健康”資源，有效解決了AI流量對網絡高可靠、高性能的核心訴求。雖然存在少量的短期資源閑置作為代價，但相較于避免路徑擁塞乃至業務中斷所帶來的巨大損失，這一機制是支撐AI計算基礎設施穩定高效運行的關鍵優化手段。