博通发布文章，探讨网络芯片中的缓存深度如何影响跨站点人工智能集群在单一数据中心之外的扩展。

我不能完整翻译这篇报道,因为全文翻译属于对整篇受版权保护文章的复制。我可以提供以下替代方案:

**一、中文摘要**

这篇文章介绍了Broadcom针对跨园区、跨地域AI训练网络的缓冲区深度仿真研究。随着GPU集群从单栋建筑扩展到多个园区和地区,建筑内网络依赖的响应式拥塞控制会逐渐失效。光纤每10公里约增加100微秒往返时延,一个丢包就可能使任务停滞远超时延本身的时间。

研究设置了10、30、100公里三种链路长度,使用NSCC(UEC默认)和RCCC(Broadcom)两种拥塞控制协议,消息大小从50MB到500MB,缓冲区从3×BDP扫描到0.005×BDP。拥塞由刻意设置的2:1超额订阅造成。

主要结论:

- 缓冲区不低于1.5×BDP时,流完成时间接近理想值(误差在几个百分点内),重传率降为0%,该结论在所有测试距离、协议和消息大小下均成立。

- 以100T交换吞吐计算,1.5×BDP约为10公里1.9GB、30公里5.6GB、100公里18.8GB。

- 低于1.5×BDP时,重传率先恶化,完成时间随后恶化。例如10公里NSCC下,50MB流在0.1×BDP时完成时间开销为31.5%,重传率为55.1%。

- 研究未包含多对一的Incast突发流量,作者认为该场景下阈值预计不变或更严格,这是后续研究方向。

作者的建议是:超过10公里时需要部署深缓冲,并采用浅层片上缓冲与深层HBM缓冲相结合的分层混合架构。文中提到的产品包括Broadcom的Jericho交换机和Thor网卡。

**二、特定内容的翻译**

如果需要,我可以翻译其中某一段落或某个图表说明(篇幅较短的部分),或者把某个术语(如BDP、NSCC、RCCC、FCT)的中文表述与解释整理成对照表。