课程导入：学习目标、课程结构、网络性能与丢包的关系

1.1 为什么链路丢包是高性能网络的“隐形杀手”

在数据中心与高性能计算环境中，网络承载着分布式存储、AI训练、微服务调用等关键业务流量。当链路发生丢包时，TCP协议栈通过拥塞控制算法主动降低发送速率，导致吞吐量断崖式下跌；而RDMA（远程直接内存访问）网络对丢包更为敏感——即使只有 0.1%的丢包率，InfiniBand或RoCEv2网络的整体吞吐量也可能下降50%以上。这是因为RDMA依赖无损传输机制，一旦发生丢包，网卡需要触发重传并可能引发流控风暴，严重影响GPU集群的集合通信效率。

本课程将围绕“链路丢包快速定位”与“RDMA重传优化”两大核心主题，帮助学习者建立从物理层到传输层的系统性排查思路，掌握使用专业工具定位丢包点、分析重传原因并实施优化的实战能力。

1.2 课程学习目标

完成本课程后，你将能够：

• 定位丢包源头：熟练使用 ethtool -S、rdma statistic、mlxstat 等工具，区分物理层误码、链路拥塞、交换机缓存溢出与协议栈丢包。
• 分析RDMA重传特征：理解RoCEv2的Go-Back-N重传机制，通过 ibv_rc_pingpong 与 perftest 输出判断重传频率与队列对状态。
• 实施分层优化：从网卡参数（如 tx_pause 使能）、交换机流控策略、路由ECMP哈希到应用层消息大小，形成完整的调优方案。
• 建立监控告警体系：基于 Prometheus + node_exporter 采集RDMA计数器，设置丢包率与重传次数的动态阈值。

1.3 课程结构总览

课程共分为六大模块，每个模块聚焦一个核心能力域。下表展示了章节组织与学习路径：

1.4 网络性能与丢包的核心关系

网络性能并非单纯由带宽决定，而是由 吞吐量、时延、抖动与丢包率 四个维度共同刻画。其中，丢包率对前三个指标具有“放大器”效应：

1. 吞吐量崩塌：TCP的AIMD算法在检测到丢包后将拥塞窗口减半，若持续丢包则窗口呈指数级收缩。例如一个10Gbps链路在0.1%丢包率下，TCP有效吞吐量可能降至2-3Gbps。
2. 时延剧增：丢包触发重传，重传数据包需要等待RTO（重传超时）或快速重传机制，导致端到端时延从微秒级跃升至毫秒级。
3. RDMA的特殊性：RoCEv2依赖PFC（优先级流控）实现无损传输，但PFC暂停帧本身可能引发死锁或阻塞扩散。当发生丢包时，网卡固件执行重传，同时可能将队列对状态转为错误（QP Error），需要应用层干预恢复。

1.5 典型场景：一次“简单”丢包引发的连锁故障

某分布式存储集群报告写入延迟从0.5ms飙升至200ms。初步排查发现：

# 在存储节点执行
$ ethtool -S eth0 | grep -E "rx_crc_errors|rx_dropped"
     rx_crc_errors: 1523
     rx_dropped: 87

# 查看RDMA计数器
$ rdma statistic show link mlx5_0/1
    link: mlx5_0/1
    pcie_errors: 0
    rcv_errors: 12
    duplicate_request: 3401

进一步检查发现，交换机某端口光模块接收光功率为 -18.5dBm（接近灵敏度极限），导致偶发CRC错误。这些错误被网卡FEC纠正了一部分，但仍有少量数据包被丢弃，触发RDMA重传风暴。最终更换光模块后，延迟恢复至0.4ms。

该案例说明：物理层隐患（光模块劣化）→ 链路层误码 → 传输层丢包 → 应用层性能雪崩，每一层都可能成为瓶颈，需要逐层排查。

1.6 常见误区与学习建议

建议学习路径：先掌握基础计数器含义，再通过实验环境模拟不同丢包场景（如使用 tc netem 注入丢包），观察TCP与RDMA行为差异。本课程后续章节将提供大量可复现的实验命令与调优参数。

现在，让我们从第2章开始，深入理解TCP与RDMA重传机制的底层差异，为后续定位打下理论基础。