得益于大数据时代的不断发展,机器学习研究枝繁叶茂,训练数据和学习模型规模都与日俱增,利用机器学习的业务要求也越来越高,单机机器学习和单训练中心的训练已不适应所有场景。因此,地理分布式机器学习逐渐成为当下机器学习的研究前沿,它可以利用多个训练中心的算力和持有的数据进行大规模复杂的训练任务。但是地理分布式训练会产生许多需要同步的梯度参数,且通信成本更高,同时当前硬件发展使得计算能力的增长遥遥领先于网络传输能力的发展。因此在该场景下,通信瓶颈成为了学习效率的重要影响因素。如何解决其中的计算与通信的不平衡,降低系统的通信计算时间比从而提升系统性能,已经成为近年来业界的研究热点。而随着SDN的快速发展,P4可编程交换机的出现为突破其通信瓶颈提供了新的思路。本文基于P4语言及可编程交换机,分别从系统设计、协议制定、丢包重传等方面出发,研究地理分布式机器学习的通信效率提升问题。首先,本文利用P4可编程交换机替代传统的交换机及参数服务器,将原本在服务器上进行的聚合操作放在交换机中完成,并分三步构建基于P4的分级聚合系统。首先对浮点型梯度参数进行了保守量化为32位整型参与聚合运算;然后在现有研究基础上提出分级聚合机制,进行了收发端及交换机端传输协议的设计,进一步提升通信效率;最后提出PPSP算法,根据不同的worker地理分布灵活构建最优通信拓扑,并通过与传统分布式机器学习通信方式及单可编程交换机聚合进行仿真对比证明该系统的优势。其次,在提出的分级聚合系统框架下,本文利用P4交换机的特性,对系统的通信机制及步调进行了优化。首先引入多ACK行为控制机制,在不影响正常通信节奏的情况下通过多种ACK信号反馈替代控制器对收发行为进行控制,并提出主动重传机制,有效解决了交换机无法产生新包的弊端,将丢包的监测及重传行为都严格控制在单条链路中,不对上下游行为产生影响,极大程度的解决了传统丢包重传在该系统下的不适应性。其次针对系统通信行为间的时隙浪费及带宽空置问题进行改进,利用多ACK机制基本消除回传ACK及发端响应时延等时隙浪费情况,并将主动重传与带宽利用率相结合,根据网络状况针对性的调整各链路的主动重传速率,保证系统平稳有效运行。最后通过与现有方法进行仿真对比证明优化的有效性及优越性。