课程导入：学习目标、课程结构、RoCE网络拥塞问题概述
1.1 为什么需要关注RoCE网络拥塞
RoCE（RDMA over Converged Ethernet，融合以太网上的远程直接内存访问）技术将RDMA的低延迟、低CPU开销特性与以太网的普及性相结合，已成为高性能计算、分布式存储和AI训练集群中首选的网络互联方案。然而，RoCEv2依赖无损以太网传输，对丢包极为敏感——即使0.1%的丢包率也可能导致吞吐量下降50%以上。当多个流量流同时争用网络资源时，拥塞会迅速扩散，引发PFC（优先级流控）暂停帧风暴、ECN（显式拥塞通知）标记激增，最终造成应用性能断崖式下跌。
在实际生产环境中，拥塞问题往往表现为：训练任务GPU利用率从95%骤降至40%、分布式存储写入延迟从200μs飙升至5ms、集群中出现大量"慢节点"且难以定位根因。这些问题的本质是网络微突发（Microburst）在无丢包网络中转化为持续拥塞，而传统TCP的拥塞控制机制在RoCE场景下并不适用。
核心认知：RoCE网络拥塞不是"带宽不足"问题，而是"缓存与流控参数不匹配"问题。理解PFC、ECN、DCQCN等机制的工作原理，掌握诊断与调优方法，是保障RoCE网络性能的关键。
1.2 本课程学习目标
完成本课程学习后，你将具备以下能力：
- 原理层面：深入理解RoCEv2的流控机制（PFC、ECN、DCQCN）及其在拥塞传播中的角色，掌握无损网络与有损网络的本质差异。
- 诊断层面：熟练使用交换机计数器、网卡统计、流分析工具定位拥塞发生的具体位置（源端、瓶颈链路、目的端），能够区分"瞬时微突发"与"持续拥塞"。
- 调优层面：掌握PFC阈值、ECN标记概率、DCQCN参数（α、g、t_update等）的调整方法，能够根据业务流量特征制定参数配置方案。
- 验证层面：能够设计A/B测试方案验证调优效果，使用吞吐量、延迟、丢包率、PFC暂停帧计数等指标量化改进幅度。
1.3 课程结构总览
本课程共30章，按"原理→诊断→调优→实战"四个阶段递进组织，各阶段内容如下：
| 阶段 | 章节范围 | 核心内容 | 关键产出 |
|---|---|---|---|
| 基础原理 | 第1-6章 | RoCE协议栈、PFC/ECN机制、拥塞产生模型 | 拥塞传播路径图、流控参数作用域 |
| 诊断工具 | 第7-14章 | 交换机/网卡计数器、抓包分析、流追踪 | 诊断命令手册、异常特征对照表 |
| 参数调优 | 第15-24章 | DCQCN参数、PFC阈值、ECN配置、缓存优化 | 参数调优决策树、推荐配置模板 |
| 实战案例 | 第25-30章 | AI训练、分布式存储、多租户场景故障复盘 | 故障处理SOP、性能优化checklist |
每章均包含理论讲解、诊断演示、参数配置示例和常见误区分析，建议按顺序学习，但也可根据实际工作需求跳转至对应章节。
1.4 RoCE网络拥塞问题全景图
为了在课程开始前建立整体认知，下图展示了RoCE网络拥塞从产生到影响应用性能的完整链路，以及本课程将要涉及的诊断与修复切入点：
上图展示了拥塞问题的完整因果链：流量特征（微突发）→ 队列堆积 → 流控触发 → 性能劣化 → 拥塞扩散。课程将围绕"诊断切入点"（蓝色区域）和"参数修复切入点"（绿色区域）展开，帮助你在实际环境中快速定位并解决问题。
1.5 常见误区与学习建议
⚠️ 常见误区：
- 误区一：认为"加大交换机缓存"就能解决拥塞——实际上缓存增大只是推迟丢包，反而可能加剧PFC风暴的扩散范围。
- 误区二：盲目关闭PFC或ECN——这会导致丢包重传，RDMA性能将断崖式下降，比拥塞本身更严重。
- 误区三：只关注单一参数调整——PFC、ECN、DCQCN参数相互耦合，需要全局协同优化。
- 误区四：忽略流量特征分析——不同应用（AI训练、存储、HPC）的流量模型差异巨大，参数配置不能一刀切。
📌 学习建议：建议在学习过程中搭建实验环境（可使用软RoCE或容器化模拟），对每个参数修改后观察计数器变化，形成"参数→现象→原理"的闭环理解。第2章将深入讲解RoCEv2协议栈与流控机制，为后续诊断调优打下基础。