近年来，大语言模型（LLM）的参数规模从千亿迈向万亿，其训练对计算集群的规模与网络性能提出了前所未有的挑战。传统数据中心网络（DCN）因流量模式不匹配、哈希极化（Hash Polarization）和单点故障敏感等问题，难以支撑高效的大规模LLM训练。为此，国内某云团队提出了 HPN（High-Performance Network） —— 一种专为LLM训练优化的数据中心网络架构。该架构通过创新的拓扑设计、硬件优化与智能路由策略，显著提升了训练效率与可靠性，并已在生产环境中稳定运行8个月以上。

云原生和容器化带来环境一致性、资源高效利用、易于部署和管理等优势，用户在部署容器时，云主机可部署容器密度是一个重要考虑因素，此时面临一个问题，就是如何能够在一台宿主机上提升容器数量，同时降低容器成本。 在金融、电信，政府等行业对数据信息安全有着非常严格的数据安全要求，用户对于云安全有较为苛刻的要求。传统的方法如弹性网卡直通、弹性网卡多IP构建容器无法针对容器粒度进行安全组配置，ENI在Trunk模式下，可以配置独立的安全组、Vswitch能力，带来更为细化的网络配置能力，提供极具竞争力的容器网络解决方案。