1. 课程导入与Spectrum平台全景

过去十年，数据中心网络的演进主线可以概括为三次“流量形态切换”。第一次是南北向为主的企业业务流量，网络设计围绕收敛比和三层路由展开；第二次是东西向为主的云与分布式存储流量，叶脊（Spine-Leaf）架构成为标准答案，等价多路径（ECMP）承担了绝大部分负载均衡职责；第三次则是当前正在发生的AI训练流量——它以GPU集群为单位、以集合通信（AllReduce、AllGather、ReduceScatter）为主要模式，呈现出高带宽、突发性强、对尾延迟极度敏感的特征。理解这三次切换，是理解NVIDIA Spectrum产品定位的前提。

AI训练流量的特殊性在于：它并非“很多条独立的小流”，而是大量GPU在同步点前必须全部完成传输的“并行同步流”。以典型的大模型训练为例，一次AllReduce若因某条链路拥塞导致部分GPU晚到，整个训练步（step）都要等待最慢的那一个。这意味着网络的关键指标从“平均吞吐”转向了“尾延迟”和“有效带宽利用率”。传统ECMP基于五元组哈希，在流数较少、单流带宽极大的AI场景下容易出现哈希极化（hash polarization），部分链路被打满而另一些链路空闲，这正是RoCEv2无损网络与自适应路由（Adaptive Routing）要解决的问题。

NVIDIA Spectrum产品家族正是围绕这一需求构建的。从定位上看，它可以分为三层：芯片层（Spectrum ASIC，如Spectrum-4提供51.2Tbps交换容量）、系统层（Spectrum SN系列交换机，覆盖SN2000到SN5000等不同速率与端口密度）、软件与生态层（Cumulus Linux、SONiC、NVIDIA NetQ、DOCA等）。芯片决定转发能力与可编程性，系统决定端口形态与散热/供电等工程属性，软件决定运维方式与自动化能力。三者共同构成“从硅到云”的完整链路。

以太网在AI与云数据中心中的角色，也正在从“通用承载”升级为“AI基础设施的一部分”。一方面，RoCEv2让以太网具备了承载RDMA的能力，配合PFC（优先级流控）和ECN（显式拥塞通知）实现无损；另一方面，Spectrum支持的自适应路由、动态负载均衡和遥测（如What-You-See-Is-What-You-Get的流级可见性）让网络从“黑盒”变为“可观测、可调优”的系统。对于设计者而言，这意味着网络不再是简单的连通性提供者，而是训练效率的直接变量。

本课程的学习路径遵循“先建立全景，再逐层深入”的原则。前几章会先厘清Spectrum的硬件与软件架构、端口与速率规划、叶脊拓扑设计；随后进入RoCEv2无损网络的关键机制，包括PFC、ECN、DCQCN参数整定；再往后会覆盖自适应路由、拥塞控制、多租户隔离、自动化部署与NetQ验证。每一章都会尽量给出可复现的配置片段、参数示例和判断依据，而不是停留在概念层面。

在进入具体配置之前，有必要先明确几个贯穿全课程的基本约定。第一，本课程讨论的“无损”指通过PFC和ECN将丢包概率控制在极低水平，而非绝对零丢包；第二，所有示例参数（如PFC阈值、ECN标记概率、DCQCN速率调整步长）均为教学示例，实际部署需结合具体芯片型号、光模块类型和流量模型进行标定；第三，拓扑描述统一采用“叶脊”术语，叶交换机（Leaf）连接服务器与GPU，脊交换机（Spine）负责叶间转发。