如果你想知道是什么促使英伟达这样做的斥资近70亿美元收购Mellanox Technologies，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。
ConnectX-6 Dx和BlueField-2分别是云智能和I/O处理单元(IPU)解决方案，它们的设计目的是将网络处理的工作从CPU那里解放出来，让它完成自己的处理工作。
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越来越大，AMD推出了64核的Epyc处理器，英特尔推出了56核的Xeon。但是保持这些巨大的cpu是一个真正的挑战。Deierling认为，你不能使用100Gbit的链接，因为CPU必须查看所有的流量，它会不堪重负。
他说:“突然之间，100- 200gbit成为可能，因为CPU不必查看每个数据包，并决定哪个核心需要它。”
CPU负载的大小取决于工作负载。电信公司可能会有高达70%的包处理的情况。至少30%的工作负载是包处理。
他说:“我们的目标是将包处理率降低到0%，这样CPU就可以做它最擅长的事情，也就是处理应用程序。”Deierling补充说，Bluefield-2每秒可以处理2.15亿个数据包。
ConnectX-6 Dx和BlueField-2也提供安全特性
这两家公司还致力于在防火墙内提供安全、高速的互连。有了标准的网络安全，您就有了防火墙，但网络内部的安全性却很低。因此，一旦黑客攻破了你的防火墙，他通常就可以在网络内部为所欲为了。
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。
ConnectX-6 Dx SmartNICs提供最多两个25、50或100Gb/s的端口，或一个200Gb/s的端口，以太网连接由50Gb/s PAM4 SerDes技术和PCIe 4.0主机连接提供支持。ConnectX-6 Dx创新硬件卸载引擎包括IPsec和TLS内联动态数据加密、高级网络虚拟化、RDMA over Converged Ethernet (RoCE)和NVMe over fabric (NVMe- of)存储加速。
BlueField-2 IPU集成了一个ConnectX-6 Dx，加上一个ARM处理器，用于单个系统芯片(SoC)，支持以太网和无限带宽连接，最高可达200Gb/s。基于bluefield 2的SmartNICs充当协同处理器，将计算机置于计算机之前，利用先进的软件定义网络、NVMe快速存储分解和增强的安全功能来转换裸机和虚拟环境。
无论ConnectX6 DX和布卢菲尔德-2是由于在第四季度。
与英伟达
梅拉诺克斯正处于被英伟达收购的过程中，但这两家公司几乎不会等待政府的批准。在VMworld上，Mellanox宣布其针对VMware vSphere的远程直接内存访问(RDMA)网络解决方案将使虚拟机器学习具有更好的GPU利用率和效率。
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。
PVRDMA以太网解决方案支持通过RDMA进行vm到vm的通信，这在虚拟化环境中提高了数据通信性能，同时与传统的TCP/IP传输相比，可以显著提高效率。这意味着优化了服务器和GPU的利用率，减少了机器学习训练时间，提高了可伸缩性。