相比于 MapReduce 等传统数据处理做法，大规模分布式 AI 场景下的网络通信面临着不一样的挑战。对于处理大规模离散特征的算法，如逻辑回归（LR），消息吞吐量将直接影响到整个训练任务的性能。对于处理稠密特征的深度学习算法或者是树模型（GBDT），网络延迟很容易成为性能瓶颈。 不同的 AI 算法面临不一样的性能瓶颈，我们设计了自己的 RPC 框架——PRPC，以求能在多变的 AI 场景下，都能实现优秀的性能。 通过 Zerocopy 和自研事件调度系统降低通信延迟；通过 RDMA 技术优化机器学习离线训练和线上预估。PRPC 的定位是尽可能的适应不同的机器学习的场景，提升分布式计算的性能，所以我们让他与应用层进行了适当的耦合，从而使的整个过程都是 Zerocopy 的，同时上层算法也尽可能进行原地计算，使的整个机器学习任务的性能达到极致。 对于 LR 算法和 GBDT 算法，RDMA 模式下的 PRPC 有数倍性能提升。与 ZMQ，BPRC 和 GRPC 对比 PRPC 在大部分机器学习场景下有较大性能优势。 

听众受益

1. 了解大规模分布式机器学习场景下不同算法的性能瓶颈和解决思路；
2. 高性能组件 RDMA 在大规模分布式机器学习场景下的应用和网络性能优化经验；
3. RPC 的接口设计以及 Linux 事件调度的优化。