2024 年，Meta 一年之内新增了 8 种数据中心网络类型；全年每周有 800 到 2000 次网络变更在流水线上滚动。在此之前，这类工作的主流做法是资深工程师手写操作流程（Method of Procedures），再配上一些只有作者自己看得懂的脚本。缺口就藏在中间：一张网络设计图，究竟怎么变成几千台交换机上真实运行的配置？工业界的研究集中在拓扑与硬件部署，从 Google 的 Jupiter 到 Meta 的 F16，讲的都是网络长什么样、怎么装；学术界的研究集中在网络上线之后的配置校验，Batfish 一系是代表。从设计图到交换机配置的落地环节，长期没有人把它当成一个系统问题来解。
Meta 发表在 NSDI '26 的 Matryoshka 补上了这一层。它在 Meta 内部运行六年，40 万行代码，经历四次大版本重构，交付了五代数据中心网络，支撑近 900 套网络、18 种类型；今天 Meta 的数据中心网络已全部经由它设计落地，最新作品是承载 LLaMA 训练的十万卡超集群。论文自称是「第一个进入学术界的生产级数据中心网络设计实现系统」。这篇文章拆开它的运行方式：一台网络编译器如何把网络交付变成软件工程。
一、问题：网络交付从一次性工程变成持续交付
Matryoshka 的存在理由，写在 Meta 的三组生产数据里。
第一组是规模。Meta 的网络分布在 70 多个区域，单栋机房有几千台交换机，最大的 F16 fabric 包含 5664 台。2025 年近 900 套网络的构成里，新一代前端网络 dcP FE 占 47.3%，fabric 聚合层 FA 占 18.5%，RoCE 训练网占 12.2%，后端 dcP BE 占 11.8%，试验性的 DSF 占 5.0%，另有其他类型 5.2%。
第二组是迭代速度。2020 到 2025 年，网络类型从 2 种涨到 18 种，部署实例从 18 套涨到近 900 套，两条曲线都在 2023 年之后加速。后端 AI 网络已经积累 109 个集群版本、26 种设备角色。变更最集中的其实是前端网络，业务迁移和动态调整都压在那里；后端网络结构相对稳定，版本却在快速分化。
第三组是异构。自研 FBOSS 白盒交换机与第三方设备并存，NVIDIA GPU 与自研 MTIA 加速器对网络的要求不同，不同厂商的配置语法互不相通。
三组数字指向同一个结构变化：网络不再是建成即稳定的静态设施，而是按周迭代的持续交付产物。变更频率乘上网络多样性，就是交付工具链必须承受的负载——AI 让这两项同时暴涨，专家加脚本的模式在这个负载下已经撑不住了。
二、系统全貌：一台网络编译器
论文的定位原文说得很直白：软件系统扮演编译器（a software system acts as a compiler），把高层网络设计意图翻译成可运行的交换机配置。整条流水线分七步（图 1）。
第一步，工程师用 Thrift（Meta 的接口定义语言）写 Network Spec，声明想要什么而非怎么配。规格由几组结构组成：设备实体按角色归类交换机，用带取值区间的命名模板生成设备名；硬件档案登记机箱型号、线卡型号与操作系统，落入 FBNet 数据库后直接生成采购物料清单（BOM）；供应状态标记每台设备在生命周期中的位置，设备引导与质检阶段处于 PROVISIONING，具备承载生产流量的条件后转为 IN_USE；其余是拓扑模式与数量、端口映射模板、IP 大段、BGP 模板。
两类内容刻意不进规格：QoS 这类少变的静态配置直接以模板形式进入生成环节，端口起落、设备排水复水这类实时状态也不在其中，意图与现状彻底分离。规格的工程管理与代码同级：版本化保存、历史可回溯，每次修改先过自动健全性检查再过人工评审，公司统一工具链对每笔变更执行集成、回归与校验，失败即阻断合并，例外放行须正式审批。
第二步拓扑综合，第三步端口映射。拓扑先以抽象形式生成：顶点是真实设备名，边用逻辑接口名，供早期规划与采购物料使用；再套端口模板落到物理端口名，变成直接指导机房布线的具体拓扑。端口模板经历了一轮收敛：初版按具体网络定制，模板里写死交换机名，几百套生产网络各持一套，数量很快失控。重构后以通用设备标识替代具体设备名，同一模板跨网络复用，模板数量大幅下降。
第四步 IP 分层分配。两类前缀分开管理：基础设施前缀承载路由控制流量，含环回地址与设备互联地址；业务前缀承载实际数据流量，含集群动态地址、虚拟 IP 与每任务一址（IP-per-task）。从大网段逐层切到单设备单端口，网络改造时尽量保持地址稳定。
第五步路由生成。OpenR 负责域内路由，BGP 负责域间与策略路由；BGP 邻居组按设备角色对（如 spine 到 aggregate）套预定义模板，路由模板按前缀类别程序化分配地址段，每条模板带面向特定交换机的网络域配置，以此控制路由分发的范围。路由策略可以作为外部输入注入。
第六步生成平台无关的通用交换机配置 GSC；第七步由各厂商后端把 GSC 翻译成原生配置，经校验门禁后写入权威网络数据库 FBNet，再分发到交换机。
这套结构像芯片设计流程：Network Spec 相当于 RTL，拓扑综合与端口映射对应逻辑综合与布局布线，GSC 是中间表示（IR），厂商翻译是后端代码生成，校验门禁相当于流片前的检查。需要说明，编译器是论文自己的说法，EDA 这层类比是本文的扩展。
系统的名字取自俄罗斯套娃，论文给出两层含义：其一，Clos 是可复制、可改制的模块化构建块，像套娃逐层嵌套出超大规模网络；其二，配置生成沿同一节奏推进，从设计意图到物理端口逐层具体化。名字同时也是承诺：规模再大，交付也只是一层套一层地做同样的事。
三、四个关键设计
四种图元拼出所有拓扑。 Matryoshka 把任意数据中心网络拆成四种标准连接模式的组合：完全二分图（Complete Bipartite）、环（Ring）、全连接 Mesh、循环二分图（Circulant Bipartite）。传统 Clos（多级交换网络）是分层二分图的堆叠；AI 集群为满足带宽密度加入了 full-mesh。组合方式是自上而下的分解：先把层间与层内的连接切成一个个重复块，再把每块匹配到预定义图元上。这个设计的价值在组件隔离：引入新拓扑只动拓扑和端口模块，IP 分配、BGP 模板、设备建模全部复用。
Meta 正在试验的两个新方向都是这样接进来的。一个是 rail 拓扑，把多台机器上相同序号的 GPU 接到同一台叶子交换机，让 all-reduce 集合通信在第一跳就完成本 rail 内的交换；参与同一连接方式的 AI 机架与对应叶子交换机构成一个扩展单元（Scaling Unit），单元之上的 spine 层把各 rail 互联、并把多个单元连成整网。另一个是 DSF（分布式调度 fabric），叶子交换机把数据包拆成信元、喷洒到 fabric 上行链路实现负载均衡，接收端重新组装，全程用虚输出队列加信用流控调度。DSF 的路由邻居建在叶子之间而不经过 spine，fabric 节点上还要关闭 IP 分配——这些差异各自落在对应模块里，互不牵连（图 2）。
确定性无状态，每次都从头编译。 同样的输入永远产出同样的配置，每次运行都完整重编译，不依赖上一次的输出，所有运行状态都放在 FBNet 里。这个性质带来一个反直觉的好处：改造一张在运行的网络，等同于部署一张新网络。编译结果与 FBNet 中的现状做差异比对，没被触及的交换机可以证明配置一字未动，在线升级因此有了安全边界（图 3）。反面教材发生在 2020 年：一次在线迁移中，代码缺陷删光了跨 fabric 的全部 IPv6 前缀，险些误配整个区域的 fabric 交换机。这次事故之后，Meta 大幅投资编译期校验，后文的成绩单由此而来。
GSC：平台无关的中间表示。 无论自研 FBOSS 还是第三方设备，所有交换机先编译成同一套 Thrift 定义的平台无关配置，再由厂商专属后端翻译成原生格式。校验拆成两段：设计意图与 GSC 之间、GSC 与原生配置之间，各自独立进行。新增一种硬件只需要增加一个翻译后端，上层逻辑不动。这就是异构被控制住的原因。
校验的具体做法分两层。数据库层核对网络拓扑统计量，交换机数、链路数、IP 前缀数逐一对照规格；配置层检查生成结果的完整性与一致性，路由配置把外部策略定义与生成的邻居信息交叉核对，路由仿真系统再按无环路、无黑洞的判据验证整网行为。这些校验都做成模块化接口，协作团队可以接入自己的检查项。发布同样分两步：整网 GSC 先暂存分布式仓库，通过校验后移入生产目录。网络操作员择时触发部署事件，翻译器把 GSC 转成原生配置写入交换机。一旦监测到不良影响，全量发布立即中止：仓库侧移除或替换问题配置，设备侧回滚到上一个已验证版本，或以热修复覆盖。
按差异更新，且只动写入层。 全量重编译最痛的地方是数据库写入：早期版本更新 FBNet 采用删光重建，一次大型 fabric 扩容的数据库事务要 34.6 分钟。真正推动改造的是一次事故：外部维护工具在长事务执行中途读到不一致的中间状态，误判为设备故障，触发告警关停了设备。2022 年 4 月上线的新算法改成按差异更新。编译器在进程内保留全量数据库行实体的本地副本，新旧两版网络模型在内存中比对，据此生成只与变更范围成比例的事务，分六步执行：比对、解除外键、删除、更新静态字段（Update-static）、新建、重建外键。fabric 扩容事务从 34.6 分钟降到 46 秒，网格搬迁从 34.84 分钟降到 13.19 秒。注意编译语义没有变，依然是无状态全量重编译，变的只是写入数据库的那一层。绿场新建仍走全量写入，所以监控曲线上尖峰大幅减少但并未归零：上线前事务耗时频繁冲破 2000 秒，剩下的尖峰正是绿场的全量写入。
还有一条贯穿全程的取舍值得单独记录：模型的通用性有边界。拓扑与规模已经收进通用输入模型，IP 分配逻辑仍由编译器内按网络类型分写的专用代码承担。论文的判断标准是复用前景：未来网络大概率复用的能力进通用模型，一次性特例进专用代码段，40 万行代码由此在 18 种网络类型下保持可维护。通用模型从不追求全有或全无，它是随设计演进持续分摊的工程决策。
四、战例：十万卡超集群的交付
这台编译器目前最大的作品，是 2024 年间建成、超过十万 GPU 的 AI 超集群，LLaMA 的最新训练就跑在上面。
网络分前后两张。每个训练机架同时接入：前端网络负责数据摄入、checkpoint 保存和日志；后端网络是 RoCEv2（基于以太网的 RDMA 协议）训练专网。后端网的基础单元是 AI Zone：机架训练交换机连接本机架 GPU 并上行到集群训练交换机，Zone 内部无阻塞；当前超集群采用 AI 机架与机架训练交换机一一对应的布线，机架内全部 GPU 上行到同一台交换机；不同 Zone 之间由聚合训练交换机按 full-mesh 互联，带宽做了有意的超额订阅，以最大化端口利用率支撑 GPU 连接密度（图 4）。论文用 scale-up、scale-out 分别指机架内与跨机架的网络连接层级，与 NVLink 那类片间互联域不是一回事，阅读时需分清。
十万卡的交付是在线改造与新建并举。三栋原本跑通用业务的 dcT 机房，每栋原有四个 RoCE 存储集群；改造中原有的 RoCE 集群扩为八个 AI Zone，存储业务迁往独立机房，跨楼流量大增，承接 fabric 间流量的 FA 聚合层同步升级了带宽。改造期间前端业务全程未中断——无状态确定性编译在这里兑现价值：系统逐台验证未受影响的交换机配置保持原样，只更新需要变更的部分。另外两栋新建机房走全新路径：后端网虽是训练专网，交换机角色与前端网一一对应，机架、集群、聚合三层训练交换机分别镜像前端网的 rack、fabric、spine；Clos 与 full-mesh 都是既有图元，复用规格模板、只补 AI 专属配置即可。
整个区域级超集群作为单一网络实体建模，以支撑跨机房的大规模训练作业；布线同时容纳机架内电缆直连与列末端（End-of-Row）两种方案，后者把机架训练交换机集中到独立机架、通过光模块与单模光纤连接 GPU。
五、成绩单与天花板
生产数字分两面看（图 5）。
门禁面：过去一年 12,689 次编译校验中 589 次被拦下，通过率 95.4%，被拦配置都会停在 Configuration Mover Service，不会触达生产设备，折算下来平均每周约 11 次拦截需要人工处理。每日端到端行为测试自 2024 年 10 月下旬起成功率 96.4%，46 次失败中 25 次属于非系统因素，剔除后按 568 次通过、21 次系统性失败计，568/(568+21) = 96.4%。速度面：按差异更新把大型扩容的数据库事务从分钟级压到秒级，论文记录的四组场景压缩幅度从 70% 到 99.4%；新网络产品引入周期从一年压缩到四周，13 倍；提速来自三件事：增强网络规格的适应能力、推行统一设计标准减少例外、跨网络类型共享算法，IP 地址分配就是共享的一例。
天花板同样清楚。其一，瓶颈没有消失，只是从手写配置转移到处理被拦下的编译，每周约 11 次的人工介入说明流水线远未无人化。其二，处理时间与交换机数量近似线性。论文把端到端耗时拆成三块：GSC 生成与上传逐台进行，耗时随交换机数严格成比例，占比最大。数据库查询与意图编译主要按网络整体计算，增长温和。约 90% 的 CPU 花在 GSC 的序列化与反序列化上——中间表示本身成了规模天花板，最大的 F16 fabric（5664 台）全流程耗时接近 200 分钟（取自论文图 9 的横轴量级），再往上一个数量级大概率要换中间表示或引入分片编译。其三，共享代码路径有代价：为 AI 后端网加端口映射支持时，曾弄坏传统前端的迁移逻辑，此后立起覆盖全部网络类型的端到端非回归测试标准。同类问题在路由策略上还有一个案例：一条为屏蔽特定前缀新增的 BGP 策略，经由共享代码路径在其他数据中心造成前缀误过滤。校验规则难以预先写死，因为前缀本身就是编译器生成的。解法是把规则抽象成不变量，按命名规范与前缀掩码长度的启发式检查，校验器与生成器由此解耦。
还有一刀必须补上：以上正确性数字都是系统自报，守备范围是生成管线；设备上的配置漂移、硬件自身缺陷、语法正确但意图错误的配置，都不在这套门禁的拦截范围内。
六、总结与判断
Matryoshka 值得读，不是因为它提出了新网络设计——论文在相关工作里明说，Matryoshka 与既有拓扑类工作正交——而是因为它把网络交付变成了软件工程：版本化的设计规格、每日回归的行为测试、确定性可重现的构建、门禁与回滚。一篇工具链论文能登上 NSDI，背景是变更频率与网络多样性同时暴涨的 AI 时代：工具链承受的负载等于两者的乘积，在 Meta 这个规模上，专家加脚本的模式已经到了极限。
三个判断。第一，确定性无状态编译、图元代数、平台无关中间表示，这三个设计不依赖 Meta 的特殊条件，有类似规模网络交付需求的团队都可以逐项对照。第二，「第一个进入学术界的生产级数据中心网络设计实现系统」这句话本身就是信号：部署前的配置生成环节正式进入研究视野，Google 的 Jupiter 系列只公开到拓扑与管理层，同行公开同层系统只是时间问题。第三，把 Matryoshka 与 Meta 已公开的 MetaRoCE（运行期传输）、RDMATracer（运行期可观测）放在一起，网络全生命周期的软件化拼图在 Meta 已经完整。
后续观察三点：rail 与 DSF 是否进入下一代生产集群；Google、Amazon、阿里是否公开同层系统；十万卡以上的后端网络全流程编译时间若逼近半天，中间表示的换代将被提上日程。
声明： 本文基于 USENIX NSDI '26 论文《Matryoshka: Realizing Hyperscale Data Center Network Design for the AI Era》（Yan Cai 等，Meta，2026 年 5 月）预出版全文撰写，辅以 USENIX 官方摘要交叉核对。不构成投资建议。本文写作于 2026 年 9 月 10 日，9 月 11 日增补论文实现细节后修订，文中数据以论文发表口径为准。