1. 课程导入：学习目标、课程结构、RDMA技术概述与应用场景

1.1 学习目标与课程定位

RDMA（Remote Direct Memory Access，远程直接内存访问）协议栈在现代高性能计算、分布式存储和AI训练集群中已成为核心互联技术。然而，其协议层次深、状态机复杂、参数众多，一旦出现性能下降或连接异常，排查难度远高于传统TCP/IP网络。本课程不局限于理论讲解，而是以“异常现象 → 定位路径 → 根因分析 → 参数调优”为主线，帮助工程师建立系统化的诊断思维。

完成本章及后续29章学习后，你将具备以下能力：

• 理解RDMA协议栈分层架构（IB/ RoCEv1/v2、iWARP）及核心机制（队列对、内存注册、WR/ CQ）；
• 掌握关键诊断工具（ibstat、perftest、rdma-core、ethtool）及抓包分析方法；
• 能够定位常见故障：链路层误码、拥塞丢包、内存注册错误、队列对状态机异常等；
• 学会参数调优方法论：根据业务模型调整tx_depth、inline_size、cq_moderation等参数，避免盲目修改。

1.2 RDMA技术概述：为什么需要“绕过内核”？

传统以太网通信中，数据从应用缓冲区到网卡需经过内核协议栈的多份拷贝、中断处理和上下文切换，延迟通常在数十微秒量级。RDMA的核心思想是让网卡硬件直接读写应用内存，绕过内核参与数据移动，从而将延迟降低到1~3微秒，同时释放CPU资源。

RDMA协议栈的层次关系如下图所示，它清晰地展示了从上层应用到底层物理链路的完整路径，以及各层可能出现的异常点：

上图展示了RDMA协议栈的五个关键层次。在实际排障中，自下而上的排查顺序往往效率最高：先确认物理链路无误码、速率正常，再检查网络层配置，最后深入传输层状态机。例如，当ibstat显示State: Active但Physical state: LinkUp时，说明链路层正常，问题可能出在更高层。

1.3 典型应用场景与故障特征

不同应用场景对RDMA的依赖方式和故障表现差异显著。下表总结了三大主流场景及其典型异常特征，后续章节将针对这些场景展开具体诊断方法：

1.4 课程结构导航

本课程共30章，按“基础→诊断→调优→实战”四个阶段递进。前5章夯实协议与工具基础；第6~15章聚焦各类异常的系统化诊断方法；第16~25章深入参数调优与性能优化；最后5章通过完整案例复盘，将前序知识串联为可复用的排障流程。

1.5 常见误区与学习心态

在长期RDMA运维教学中，我们发现初学者容易陷入以下误区，在此提前说明以避免走弯路：

• 误区一：把所有问题都归咎于“丢包”。实际上，RDMA的丢包表现与TCP完全不同——它不会自动重传，而是直接触发QP超时或重试计数耗尽。看到retry_exceeded计数器增长时，应优先检查链路质量而非盲目增大重试次数。
• 误区二：调参时“一次改多个变量”。RDMA参数之间存在耦合关系（如tx_depth与inline_size共同影响发送性能），同时修改多个参数将无法定位真正有效的调整项。建议每次只修改一个参数，并记录前后性能基线。
• 误区三：忽略固件与驱动版本差异。不同厂商网卡（Mellanox/NVIDIA、Broadcom、Intel）对RoCEv2的实现细节存在差异，同一参数在不同固件版本下效果可能截然相反。排障前务必确认fw-version与驱动版本。