PCIE 6.0 (一)

⊙PCIE ⊙介紹

PCI Express? 6.0 (PCIe? 6.0) 規范由 PCI-SIG? 于 2022 年 1 月發布。最新一代的 PCIe 標準帶來了許多激動人心的新功能，旨在提高計算密集型工作負載的性能，包括數據中心、 AI/ML 和 HPC 應用程序。

我們將持續幾期為大家介紹PCIE 6.0協議

0****1

**###

什么是 PCIe 6.0

**

自 PCIe 3.0 以來，每一代新標準的數據速率都翻了一番。 PCIe 6.0 將數據速率提高到每秒 64 千兆傳輸 (GT/s)，是 PCIe 5.0 的兩倍。 對于顯卡和網卡典型的 x16 鏈路，鏈路帶寬達到每秒 128 GB (GB/s)。 與前幾代產品一樣，PCIe 6.0 鏈路是全雙工的，因此它可以同時在兩個方向上提供 128 GB/s 的帶寬，總帶寬容量為 256 GB/s。

PCIe 除了已經廣泛擴展到服務器和 PC 之外，其規模使其對物聯網、汽車、醫療和其他領域以數據為中心的應用程序具有吸引力。 也就是說，PCIe 6.0 的初始部署將針對需要盡可能高帶寬的應用程序，這些應用程序可以在數據中心的核心找到：AI/ML、HPC、網絡和云圖形。

下圖顯示了 PCIe 規范隨時間的演變：

0****2

**## PCIe 6.0 有什么新功能

**

為實現 64 GT/s，PCIe 6.0 引入了新功能和創新：

1. PAM4 信令：

PCIe 1.0 到 5.0 使用不歸零 (NRZ) 信號，每個時鐘提供 1 位。 此外，PCIe 1.0 和 2.0 采用 8b/10b（八位/十位）編碼，而 3.0 到 5.0 采用 128b/130b 編碼。 相比之下，PCIe 6.0（以及即將推出的 7.0）使用脈沖幅度調制 4 級 (PAM4)，這是一種多級信號調制格式，每個時鐘提供 2 位。

PCIe 6.0 使用 PAM4 信號（“四級脈沖幅度調制”），每個時鐘周期將 2 位組合為 4 個幅度級別（00、01、10、11），與 PCIe 5.0 和前幾代相比，它 使用 NRZ 調制，每個時鐘周期 1 位和兩個幅度級別 (0, 1)。

2.前向糾錯（FEC）

權衡總是存在的，與 NRZ 相比，向 PAM4 信號編碼的過渡引入了明顯更高的誤碼率 (BER)。 這促使采用前向糾錯 (FEC) 機制來緩解較高的錯誤率。 PCIe 6.0 FEC 足夠輕，對延遲的影響最小。 它與強大的 CRC（循環冗余校驗）結合使用，可將鏈路重試概率保持在 5×10^-6 以下。 這個新的 FEC 功能旨在將延遲時間縮短到 2ns 以下。

雖然 PAM4 信號更容易出錯，但由于調制技術的性質，與 PCIe 5.0 相比，通道損耗不受影響，因此 PCB 上 PCIe 6.0 信號的范圍將與 PCIe 5.0 相同。

3. FLIT 模式：

PCIe 6.0 引入了 FLIT 模式，在這種模式下，數據包以固定大小的流量控制單元組織，而不是過去幾代 PCIe 中的可變大小。 引入 FLIT 模式的最初原因是糾錯需要使用固定大小的數據包； 然而，FLIT 模式還簡化了控制器級別的數據管理，并帶來更高的帶寬效率、更低的延遲和更小的控制器占用空間。 讓我們花一分鐘時間來解決帶寬效率問題：對于固定大小的數據包，不再需要物理層的數據包成幀，這為每個數據包節省了 4 個字節。 FLIT 編碼還消除了以前 PCIe 規范中的 128B/130B 編碼和 DLLP（數據鏈路層數據包）開銷，從而顯著提高 TLP（事務層數據包）效率，尤其是對于較小的數據包。

4. PCIe 6.0的其他變化：

L0p 模式：使用較少的lane以節省電力

新的 PIPE 規范：用于 PHY 到控制器接口

PCIe 6.0 有趣的是降低了前幾代的 x32 和 x12 接口寬度。 在 PCIe 5.0 和更早的規范中，這些寬度從未在市場上實現。

0****3

**## 為什么現在是 PCIe 6.0

**

2015 年之前，PCIe 在帶寬方面遠遠領先于市場所需。 沒有運行得更快的市場驅動力，因此規范的發展速度較慢。 2015年后，全球數據流量呈爆發式增長。 數據中心過渡到 100G 以太網（及以上）將瓶頸推向服務器和網絡設備中的 PCIe 互連。

PCIe 6.0 規范完全支持數據中心向 800G 以太網的過渡：每秒 800 Gb (Gb/s) 需要 100 GB/s 的帶寬，這在 x16 PCIe 6.0 鏈路的 128 GB/s 范圍內； 800G 以太網與 PCIe 一樣，是全雙工的。 此外，數據中心通用計算和網絡并不是 PCIe 6.0 背后的唯一驅動力。 AI/ML 加速器對更多帶寬的需求永無止境。 處理 AI/ML 訓練模型的關鍵在于速度，加速器移入移出數據的速度越快，訓練的執行效率和成本效益就越高。