如果你想知道是什么原因促使Nvidia公司掏出近7十亿$对于Mellanox Technologies公司，这里是你的答案是：网络硬件提供商已经推出了双处理器从CPU卸载网络负载。
的ConnectX-6 Dx和布卢菲尔特-2是云SmartNICs和I / O处理单元（IPU）的解决方案，分别设计为利用网络处理的工作关闭CPU，释放它完成其处理作业。
本公司承诺高达200Gbit /秒的吞吐量的ConnectX和布卢菲尔德。它表示，市场对25Gbit和更快的以太网是市场总量的31％，去年将增长到61％，明年。随着物联网（IOT）和人工智能（AI），大量的数据需要被搬来搬去和以太网需要得到快了很多。
“The whole vision of [software-defined networking] and NVMe-over-Fabric was a nice vision, but as soon as people tried it in the data center, performance ground to a halt because CPUs couldn’t handle all that data,” said Kevin Deierling, vice president of marketing for Mellanox. “As you do more complex networking, the CPUs are being asked to do all that work on top of running the apps and the hypervisor. It puts a big burden on CPUs if you don’t unload that workload.”
CPU是越来越大，与AMD引入64核EPYC处理器和英特尔引入56核Xeon。但保持这些巨头的CPU美联储是一个真正的挑战。你不能使用100Gbit链接，因为CPU有看所有的流量，它被淹没，认为Deierling。
“因为CPU不必看每一个数据包，并决定哪些核心需求突然100-200Gbits成为可能，”他说。
CPU负载的量取决于工作负载。电信公司可以有一个情况是高达70％的数据包处理。在最小的工作量，它30％将是数据包处理。
“我们的目标是把那个0％的数据包处理，所以CPU可以做自己最擅长的，这是处理应用程序，”他说。布卢菲尔特-2可以处理高达每秒2.15亿包，Deierling加入。
的ConnectX-6 Dx和布卢菲尔特-2还提供安全功能
双方还都集中在防火墙内提供安全，高速互连。使用标准的网络安全，必须在网络内部防火墙，但最低限度的安全性。所以一旦黑客违反您的防火墙，他经常有在网络内部自由支配。
随着的ConnectX-6 DX和布卢菲尔德-2，后者包含NIC上的ConnectX-6 DX处理器，您的内部网络通信也受到保护，所以即使有人违反您的防火墙，他们不能在你的数据得到。
的ConnectX-6 DX SmartNICs提供高达25,50或的100Gb / s时，或200GB的单个端口的两个端口/ S，以太网连接搭载50GB / s的PAM4 SerDes技术和PCIe 4.0主机连接。所述的ConnectX-6 DX创新的硬件卸载引擎包括IPsec和TLS直列数据在运动密码，先进的网络虚拟化，RDMA超过聚合以太网（ROCE），和NVMe超过织物（NVMe-OF）存储加速度。
所述布卢菲尔特-2 IPU集成了的ConnectX-6 DX，加上一个单个系统级芯片（SoC），同时支持以太网和InfiniBand连接多达200GB /秒的ARM处理器。基于布卢菲尔特-2- SmartNICs充当协处理器看跌期权的计算机中的计算机的前向变换裸机和采用先进的软件定义网络，NVMe SNAP存储解聚虚拟化环境，和增强的安全功能。
无论ConnectX6 DX和布卢菲尔德-2是由于在第四季度。
搭配Nvidia合作
Mellanox公司是由Nvidia公司被收购的过程中，但两个追求者几乎不等待政府的批准。在VMworld大会上，Mellanox公司宣布，其远程直接内存访问（RDMA）针对VMware vSphere网络解决方案将使虚拟机具有更好的GPU利用率和效率的学习。
基准发现Nvidia的GPU的虚拟化看到使用VMware的半虚拟化RDMA（PVRDMA）技术，使用传统的网络协议时相比，效率提高两倍。这是与Mellanox的的ConnectX-5 100个千兆以太网SmartNICs，老一辈由今天的公告取代连接Nvidia的图形处理器T4时。
该PVRDMA以太网解决方案使得能够在RDMA VM到VM通信，其中当与传统的TCP / IP传输相比实现显著更高的效率在虚拟化环境中提升数据通信性能。这转化为优化服务器和GPU的利用率，降低了机器学习培训时间，并提高可扩展性。