AI 数据中心防火墙放在哪里：训练 Fabric、服务入口与管理面的边界

传统企业网络常把防火墙作为区域之间的固定检查点，但 AI 训练 Fabric 的东西向流量规模、时延和集合通信模式与办公业务不同。把所有 GPU 间流量强制穿过通用防火墙，可能形成容量瓶颈和新的共同故障域。

AI 数据中心防火墙部署边界应按训练、存储、服务入口和管理面分别判断。安全控制必须存在，但不一定由同一台设备、同一条数据路径承担。

先区分需要检查的流量

列出用户访问、模型 API、数据导入、管理登录、软件仓库、跨租户访问和 GPU 集合通信，说明源、目的、协议、带宽、时延与信任关系。

训练节点之间的受控通信与外部用户入口不是同一种风险。若不做分类，安全设备规格会按错误流量模型设计。

训练 Fabric 保持短路径和明确端点

训练平面可通过专用地址、路由、分区、主机策略和受控调度减少非预期可达性，避免把大带宽集合通信无差别引到传统服务链。

需要深度检查的跨域流量，在明确边界点汇聚。任何插入数据路径的安全设备都要验证 MTU、吞吐、尾部时延、故障切换和 RDMA 行为。

服务入口承担外部访问控制

模型 API、门户、数据上传和企业系统互联适合通过负载均衡、防火墙、身份和审计边界进入。入口容量按在线并发、TLS、数据传输和故障状态计算。

入口与训练网络之间只开放必要路由和服务，不把用户网直接延伸到 GPU 节点。应用层身份与网络策略应相互对应。

管理面优先控制高权限路径

BMC、交换机、DPU、PDU 和平台控制面通过带外或管理网络访问，使用跳板、AAA、最小权限和日志。高权限管理接口不因位于内网就默认可信。

DPU 可承载部分基础设施安全服务，但仍需定义管理、升级、日志和失效行为。硬件卸载不等于策略自动正确。

故障测试覆盖旁路与回退

模拟安全设备单节点、链路、策略和管理面故障，确认哪些业务继续、哪些应阻断，以及训练作业是否受影响。旁路模式和失败关闭必须按业务风险明确。

安全策略升级后复用业务与网络基线。若只检查会话建立而不观察 RDMA、存储和尾部时延，无法判断安全控制对 AI 工作负载的真实影响。

容量按正常与故障路径分别计算

安全设备容量需要同时覆盖新建连接、持续大流、加密处理和日志写入，不能只引用实验室吞吐。双机或多路径设计还要验证单节点失效后，剩余设备是否承受完整业务峰值。

上线前用真实报文大小和并发模型测试，记录丢包、重传、时延及资源水位。若故障状态只能维持部分服务，应在业务分级和运行手册中提前明确。