（Spirent Day 2024峰会北京站现场图片）

期间，思博伦通信亚太区业务发展资深总监吴杰在接受C114采访时表示，AI的爆发式增长对测试领域提出全新的挑战，思博伦发挥测试领域专长，积极响应新需求，通过不断探索与创新，为行业提供可选的、先进的测试工具和方法论，有效解决了智能时代的网络测试难题。

AI智算中心浪潮汹涌：AI/CCL化解三大测试难题

AI时代，对于算力的需求是无止境的，特别是对于以GPU为代表的智算算力。作为智算算力的载体，智算中心与传统的数据中心不同，对网络的要求非常高。

思博伦通信东亚区有线业务发展总监赵隽琪表示，AI时代算力中心对以太网带宽的需求将更加强烈。传统测试技术已经不适用于AI智算中心的网络，尤其是AI训练流量的“流小量大”特性所带来的挑战，如网络丢包、拥塞和延迟问题，将严重制约训练性能。

赵隽琪解释说，核心原因在于AI模型和数据集规模不断扩大，单一GPU无法容纳完整模型和数据集，迫使训练任务分发到多个GPU进行并行处理，这就催生了“集合通信”的需求。在集合通信中，参与一个通信的GPU节点间通信具有并行性和依赖性特点，任何网络链路问题都可能影响整体效率。为应对这一全新挑战，业界正聚焦于对传统以太网进行革命性改造。

赵隽琪指出，从测试角度来看，AI智算中心目前面临三大难题：缺乏反映集合通信特点的商业测试工具、高昂的GPU测试成本和稀缺的GPU 资源以及测试结果的可重复性差。

对此，思博伦密切关注并积极投身于AI实践，最新推出了名为AI/CCL（集合通信库）的网络测试解决方案。该方案创造性地实现了集合通信模型的仿真，并通过高精度的商业仪表模拟GPU服务器，有效解决了上述三大挑战，提供了业内首个极具创新性的GPU服务器仿真测试平台，能对数据中心、智算中心网络的各种新架构、新设计进行全面且精准的测试。

思博伦通过一套专门的方法体系来复现场景，实现场景化测试的真实性。例如，利用特定设备采集现实环境中Wi-Fi信号的传播过程，包括信号经过墙体、天花板反射等情况，并将这些数据导入到实验室，构建出逼真的测试环境。同时，测试中也会叠加真实的业务场景，确保实验室测试结果更贴近真实用户体验。“通过结合真实环境和业务场景，相信实验室的测试会和我们真实的用户体验会更加接近一点。”华忠说道。他还提到，Wi-Fi 7作为一个新技术，其测试有一个挑战是故障定位难以确定。为此，思博伦也在计划推出针对性的专家系统甚至AI行业小模型，来辅助解决这个问题。

天地一体融合组网是行业热议的话题，3GPP也在5G-NR Release17版本中将卫星通信网做为地面网络的必要补充，称之为非地面网络 NTN (Non-Terrestrial Networks)，对其展开了更进一步的研究及标准化工作，NTN技术也在快速走向应用。

在LEO NTN和LEO PNT方面，思博伦同样展示了其领先地位，为低轨卫星的两大应用场景——通信与定位服务提供针对性解决方案。吴杰表示，“针对LEO NTN，思博伦提供了端到端测试方案，助力用户在实验室环境下模拟并完成NTN测试；而在LEO PNT领域，作为定位、导航、授时测试解决方案的佼佼者，思博伦可模拟完整的定位卫星服务环境。”

采访中，思博伦通信东亚区解决方案及运营商业务发展总监杨磊解析了NTN的发展愿景和技术挑战。NTN旨在将地面4G/5G移动通信系统搬上太空，实现全方位的通信服务，包括打电话、上网和视频通话等功能。然而，卫星与地面基站、终端间的超远距离、卫星运行过程中大幅度的时延变化以及多普勒频偏效应成为当前技术攻关的重点难点。

初期，NTN采用透明转发模式，即“能不上天的都不上天”，尽量保持地面基站和手机设备的改动最小，仅依靠卫星作为中继实现通信。随着技术的演进，计划“能上天的都上天”，但这会带来功耗、频偏校正、切换等一系列更为复杂的技术挑战。

为应对这些挑战，思博伦开发了一套全面的仿真测试方案，模拟卫星在不同位置时，与地面终端和基站之间四条通信链路的无线信号传播环境，包括实时补偿时延和多普勒频偏的影响。这套方案采用经济高效的软件无线电技术和动态信道仿真，可为各类设备制造商提供一个高度协同的实验室环境，以验证其产品在NTN环境下的性能表现。“该方案非常适合预算有限但仍需进行相关技术研发和测试的企业，为其提供了一个理想的入门选择。”