04. 高性能网络
本章定位：本章节面向 InfiniBand 与 RoCE 体系，聚焦 AI 训练与 HPC 通信性能。
主要内容
- 网络拓扑与通信模式
- NCCL 性能测试与调优
- 网络稳定性与运维排障
🧭 阅读地图
- 前置章节：03. 集群架构设计——理解 Rail 拓扑与收敛比后再看网络实现
- 本章定位：第一部 L1 网络章——IB/RoCE 架构、NCCL 测试与性能调优；它决定集合通信的上限
- 推荐顺序：先选型（IB vs RoCE）→ 管理运维（IB 管理指南/UFM）→ 性能（NCCL 测试与调优）→ 故障排查
- 下一章：05. 并行存储系统——数据面：训练数据怎么喂给集群
文章目录
Mellanox IB 网络运维与性能调优指南
从 OFED 驱动安装、交换机固件升级，到 MPI/OSU 基准测试及误码率排查的全栈运维手册。
阅读文章 →
HPC-X ClusterKit IB 网络测试经验
使用 NVIDIA HPC-X 工具包中的 ClusterKit 进行 InfiniBand 网络带宽与延迟测试的实战指南。
阅读文章 →
InfiniBand 在 AI 训练中的性能调优实战指南
生产级指南：面向分布式 AI 训练的 InfiniBand 性能优化，涵盖 NCCL 调优、GPUDirect RDMA、NUMA 亲和性以及真实压测方法论。
阅读文章 →
Linux 双网卡 NAT 网关配置指南
如何将一台双网卡 Linux 服务器配置为 NAT 网关，实现内网机器共享公网访问。涵盖 iptables、Firewalld 及 nftables 三种配置方案。
阅读文章 →
NCCL 性能测试与优化指南
基于 nccl-tests 的 GPU 集群通信性能测试全流程，涵盖环境构建、AllReduce 带宽测试、性能基准及高级调优参数。
阅读文章 →
ROCE AI Fabric 高性能网络架构详解
面向万卡集群的超高性能以太网解决方案，深度解析 AR 自适应路由、多轨组网架构及 SONiC 交换机配置实战。
阅读文章 →
UFM Enterprise 6.16 裸金属安装指南
NVIDIA UFM Enterprise (Unified Fabric Manager) 在 RHEL 7.9 裸金属环境下的安装、依赖配置及服务启动全流程。
阅读文章 →
GPU 训练网络故障排查手册：丢包、拥塞与 NCCL 超时
三类高频故障的症状/诊断/根因/修复与决策树。
阅读文章 →
集合通信原语与库：从 MPI 到 NCCL 的通信域与算法
通信域与原语分类、各原语搬多少数据、MPI 与 NCCL 定位差异、NCCL 拓扑感知架构。
阅读文章 →