1. 课程导入：学习目标、课程结构、技术背景与网络发展趋势
1.1 为什么需要关注高性能网络
在过去的二十年里，CPU 单核性能增长趋缓，而人工智能、大数据分析、分布式存储和高性能计算（HPC）的工作负载却呈指数级增长。当我们将数百乃至数千台服务器组成一个集群时，网络往往成为决定整体系统效率的关键瓶颈。一个典型的例子是：在大规模 GPU 训练集群中，GPU 计算单元每秒钟产生的梯度数据量可达数十 GB，如果网络无法及时将这些数据传输到参数服务器，GPU 就会处于空闲等待状态，导致昂贵的算力资源被浪费。
传统以太网（Ethernet）在设计之初主要面向企业办公场景，强调“尽力而为”的传输，其丢包重传机制在高并发、低延迟场景下会引发严重的性能抖动。而 InfiniBand（IB）与 RoCE（RDMA over Converged Ethernet）正是为解决这一问题而生的两种主流高性能网络方案。理解它们的工作原理、适用场景与差异，是构建现代大规模计算基础设施的必备技能。
1.2 课程学习目标
完成本课程全部 30 章内容后，你将能够：
- 理解核心原理：掌握 InfiniBand 的通道架构、子网管理器（Subnet Manager）、可靠连接（RC）与不可靠数据报（UD）传输语义；理解 RoCEv1/v2 的封装格式与 PFC（优先级流控）机制。
- 掌握实操技能：能够独立完成 RoCE 网卡的配置、PFC/ECN 参数调优、InfiniBand 子网划分与连通性测试。
- 具备排障能力：面对“网络带宽上不去”“延迟抖动剧烈”“RDMA 连接反复断开”等典型故障，能够使用工具定位根因。
- 形成选型判断力：根据业务场景（AI 训练、分布式存储、高频交易等）在 IB 与 RoCE 之间做出合理的技术选型。
1.3 课程结构总览
本课程共 30 章，按照“原理 → 实践 → 进阶 → 案例”的逻辑组织，具体模块划分如下表所示：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 基础原理 | 第 1～8 章 | 网络发展趋势、RDMA 技术原理、IB 架构、RoCE 协议栈 |
| 工程实践 | 第 9～16 章 | 网卡配置、交换机设置、性能调优、监控工具 |
| 高级主题 | 第 17～24 章 | 拥塞控制算法、多路径、GPU Direct、存储网络融合 |
| 案例与排障 | 第 25～30 章 | AI 集群组网、存储故障复盘、选型决策指南 |
每一章都配有独立的实验场景或故障案例，建议你边学边练，不要只停留在概念层面。
1.4 技术背景：从传统以太网到 RDMA
要理解 IB 与 RoCE 的价值，首先需要回顾传统以太网在数据中心场景中的痛点。下图展示了传统 TCP/IP 通信与 RDMA 通信在数据路径上的关键差异：
从上图可以清晰地看到，RDMA 技术的核心思想是让网卡硬件直接访问应用内存，绕过操作系统内核，从而消除数据拷贝和上下文切换带来的延迟。InfiniBand 从零开始设计了一套完整的 RDMA 网络，而 RoCE 则试图在已有的以太网基础设施上实现类似的 RDMA 能力。
1.5 网络发展趋势：为什么是现在？
任何技术的兴起都有其时代背景。RDMA 技术早在 2000 年左右就已出现，但直到最近十年才真正大规模普及，主要驱动力来自以下三个趋势：
- AI 大模型训练需求爆发：以 GPT 为代表的大语言模型需要数千张 GPU 并行训练，每迭代一次都需要同步全部梯度。例如，一个 1750 亿参数的模型，单次梯度同步的数据量就超过 700 GB。传统以太网无法在可接受的时间内完成如此大规模的集合通信。
- 存储介质革命：NVMe SSD 的延迟已低至 20 μs 左右，而传统 TCP/IP 网络延迟（50 μs 以上）反而成为存储访问路径中最慢的环节。RDMA 的低延迟特性使得“网络不再是瓶颈”成为可能。
- 数据中心网络标准化：RoCEv2 的出现使得 RDMA 可以运行在标准 IP 路由网络上，无需部署专用的 IB 交换机，大幅降低了部署成本，让中小规模集群也能享受 RDMA 带来的性能红利。
1.6 常见误区与澄清
在开始深入学习之前，有必要先澄清几个初学者容易混淆的概念：
- 误区一：“RoCE 就是跑在以太网上的 InfiniBand”。实际上，RoCE 只是借用了 IB 的传输层协议（如可靠连接），但其链路层、网络层和拥塞控制机制与 IB 完全不同。RoCEv2 使用 UDP/IP 封装，而 IB 使用自己的网络层。
- 误区二：“只要网卡支持 RDMA，插上就能用”。RoCE 需要交换机支持 PFC（优先级流控）或 DCQCN 拥塞控制算法，否则在丢包环境下性能会急剧恶化。IB 虽然不需要这些配置，但需要正确配置子网管理器。
- 误区三：“RDMA 只适合 HPC 场景”。事实上，分布式存储（如 Ceph、GPFS）、数据库（如 Oracle RAC）、甚至 Kafka 消息队列都在使用 RDMA 来提升吞吐和降低延迟。
ibsim）进行练习。
1.7 本章小结
本章作为全课程的导入，我们完成了三件事：第一，明确了学习目标——不仅要懂原理，更要会实践、能排障、会选型；第二，梳理了 30 章课程的整体结构，让你对后续学习路径心中有数；第三，从技术背景出发，解释了为什么传统以太网在高性能计算场景中力不从心，以及 RDMA 技术为何在当下成为刚需。