1. 课程导入：学习目标、课程结构、InfiniBand技术背景与应用场景

1.1 本节学习目标与课程定位

欢迎进入《InfiniBand数据包格式与路由原理》课程。在数据中心高速互联领域，InfiniBand（IB）已从高性能计算（HPC）的专属网络，演变为支撑人工智能训练集群、分布式存储和云原生基础设施的关键互连技术。本课程不讨论网卡驱动安装，也不深入Verilog硬件实现，而是聚焦于数据包在IB子网中如何被封装、寻址、转发与路由这一核心知识链。

完成本节学习后，你将能够：

• 定位课程边界：明确本课程在IB协议栈（物理层、链路层、网络层、传输层）中所覆盖的层次范围。
• 建立全局视图：理解IB子网中节点（Host Channel Adapter, HCA）、交换机（Switch）、路由器（Router）的角色差异。
• 关联应用场景：将数据包格式与路由机制映射到实际的高性能计算与AI训练集群拓扑中。
• 掌握学习方法：了解后续章节的递进关系，建立从“包结构”到“路由决策”的认知路径。

1.2 课程结构：从比特到路由的递进路径

本课程共30章，按知识依赖关系划分为四个递进模块。理解这个结构有助于你分配学习精力，避免在细节中迷失方向。

本课程刻意将“数据包格式”与“路由原理”交织讲解，而非割裂为两个独立部分。原因在于：路由决策的输入正是数据包头中的地址字段，而包头的设计又必须满足路由器的查表效率。例如，当你学习LRH（Local Route Header）中的DLID（Destination Local Identifier）字段时，必须同时理解交换机如何利用该字段进行线性查表，才能真正掌握其16位宽度的设计原因。

1.3 InfiniBand技术背景：从HPC到AI的必然选择

InfiniBand并非新生事物。其架构规范由InfiniBand Trade Association（IBTA）于2000年前后发布，最初目标是为服务器集群提供高带宽、低延迟、可扩展的互连。然而，在以太网快速迭代和成本优势的挤压下，IB长期局限于高性能计算（HPC）与存储网络（SAN）领域。

真正改变格局的是人工智能大模型训练带来的通信瓶颈。以GPT-4级别模型为例，其训练过程涉及数千块GPU之间的梯度同步（All-Reduce操作）。传统以太网在如此规模的同步通信中，会出现严重的延迟抖动和丢包重传，导致GPU利用率大幅下降。InfiniBand凭借以下三大特性成为AI训练集群的首选互连：

1. RDMA原生支持：内核旁路（Kernel Bypass）与硬件卸载，使单跳延迟低至亚微秒级。
2. 无损网络保证：基于信用（Credit）的流控机制，从物理层面杜绝因缓冲区溢出导致的丢包。
3. 自适应路由：相比传统静态路由，可根据实时拥塞状态动态调整数据包路径，提升整体吞吐。

1.4 常见误区与学习复盘

在开始正式章节前，有必要澄清几个初学者容易混淆的概念，这些误区可能影响后续理解：