什么是RDMA？

      ▲ 傳統(tǒng)模式與RDMA模式工作機(jī)制對(duì)比

如上圖，在傳統(tǒng)模式下，兩臺(tái)服務(wù)器上的應(yīng)用之間傳輸數(shù)據(jù)，過(guò)程是這樣的：

• 首先要把數(shù)據(jù)從應(yīng)用緩存拷貝到Kernel中的TCP協(xié)議棧緩存；
• 然后再拷貝到驅(qū)動(dòng)層；
• 最后拷貝到網(wǎng)卡緩存。

多次內(nèi)存拷貝需要CPU多次介入，導(dǎo)致處理延時(shí)大，達(dá)到數(shù)十微秒。同時(shí)整個(gè)過(guò)程中CPU過(guò)多參與，大量消耗CPU性能，影響正常的數(shù)據(jù)計(jì)算。

在RDMA 模式下，應(yīng)用數(shù)據(jù)可以繞過(guò)Kernel協(xié)議棧直接向網(wǎng)卡寫(xiě)數(shù)據(jù)，帶來(lái)的顯著好處有：

• 處理延時(shí)由數(shù)十微秒降低到1微秒內(nèi)；
• 整個(gè)過(guò)程幾乎不需要CPU參與，節(jié)省性能；
• 傳輸帶寬更高。

RDMA對(duì)于網(wǎng)絡(luò)的訴求

RDMA在高性能計(jì)算、大數(shù)據(jù)分析、IO高并發(fā)等場(chǎng)景中應(yīng)用越來(lái)越廣泛。諸如iSICI, SAN, Ceph, MPI, Hadoop, Spark, Tensorflow等應(yīng)用軟件都開(kāi)始部署RDMA技術(shù)。而對(duì)于支撐端到端傳輸?shù)幕A(chǔ)網(wǎng)絡(luò)而言，低延時(shí)（微秒級(jí)）、無(wú)損（lossless）則是最重要的指標(biāo)。

低延時(shí)

網(wǎng)絡(luò)轉(zhuǎn)發(fā)延時(shí)主要產(chǎn)生在設(shè)備節(jié)點(diǎn)（這里忽略了光電傳輸延時(shí)和數(shù)據(jù)串行延時(shí)），設(shè)備轉(zhuǎn)發(fā)延時(shí)包括以下三部分：

• 存儲(chǔ)轉(zhuǎn)發(fā)延時(shí)：芯片轉(zhuǎn)發(fā)流水線處理延遲，每個(gè)hop會(huì)產(chǎn)生1微秒左右的芯片處理延時(shí)（業(yè)界也有嘗試使用cut-through模式，單跳延遲可以降低到0.3微秒左右）；
• Buffer緩存延時(shí)：當(dāng)網(wǎng)絡(luò)擁塞時(shí)，報(bào)文會(huì)被緩存起來(lái)等待轉(zhuǎn)發(fā)。這時(shí)Buffer越大，緩存報(bào)文的時(shí)間就越長(zhǎng)，產(chǎn)生的時(shí)延也會(huì)更高。對(duì)于RDMA網(wǎng)絡(luò)，Buffer并不是越大越好，需要合理選擇；
• 重傳延時(shí)：在RDMA網(wǎng)絡(luò)里會(huì)有其他技術(shù)確保不丟包，這部分不做分析。

無(wú)損

RDMA在無(wú)損狀態(tài)下可以滿速率傳輸，而一旦發(fā)生丟包重傳，性能會(huì)急劇下降。在傳統(tǒng)網(wǎng)絡(luò)模式下，要想實(shí)現(xiàn)不丟包最主要的手段就是依賴大緩存，但如前文所說(shuō)，這又與低延時(shí)矛盾了。因此，在RDMA網(wǎng)絡(luò)環(huán)境中，需要實(shí)現(xiàn)的是較小Buffer下的不丟包。

在這個(gè)限制條件下，RDMA實(shí)現(xiàn)無(wú)損主要是依賴基于PFC和ECN的網(wǎng)絡(luò)流控技術(shù)。

• RDMA無(wú)損網(wǎng)絡(luò)的關(guān)鍵技術(shù)：PFC

▲ PFC工作機(jī)制示意圖

PFC允許單獨(dú)暫停和重啟其中任意一條虛擬通道，同時(shí)不影響其它虛擬通道的流量。如上圖所示，當(dāng)隊(duì)列7的Buffer消耗達(dá)到設(shè)置的PFC流控水線，會(huì)觸發(fā)PFC的反壓： 

• 本端交換機(jī)觸發(fā)發(fā)出PFC Pause幀，并反向發(fā)送給上游設(shè)備；
• 收到Pause幀的上游設(shè)備會(huì)暫停該隊(duì)列報(bào)文的發(fā)送，同時(shí)將報(bào)文緩存在Buffer中；
• 如果上游設(shè)備的Buffer也達(dá)到閾值，會(huì)繼續(xù)觸發(fā)Pause幀向上游反壓；
• 最終通過(guò)降低該優(yōu)先級(jí)隊(duì)列的發(fā)送速率來(lái)避免數(shù)據(jù)丟包；
• 當(dāng)Buffer占用降低到恢復(fù)水線時(shí)，會(huì)發(fā)送PFC解除報(bào)文。

PFC水線設(shè)置

交換芯片都有固定的Pipeline（轉(zhuǎn)發(fā)流水線）， Buffer管理處于入芯片流程和出芯片流程的中間位置。報(bào)文處于在這個(gè)位置上時(shí)，已經(jīng)知道了該報(bào)文的入口和出口信息，因此邏輯上就可以分成入方向和出方向分別對(duì)緩存進(jìn)行管理。

PFC水線是基于入方向緩存管理進(jìn)行觸發(fā)的。芯片在入口方向提供了8個(gè)隊(duì)列，我們可以將不同優(yōu)先級(jí)的業(yè)務(wù)報(bào)文映射到不同的隊(duì)列上，從而實(shí)現(xiàn)對(duì)不同優(yōu)先級(jí)的報(bào)文提供不同的Buffer分配方案。

▲ 隊(duì)列Buffer的組成部分

具體到每個(gè)隊(duì)列，其Buffer分配根據(jù)使用場(chǎng)景設(shè)計(jì)為3部分：保證緩存，共享緩存，Headroom。

• 保證緩存：每個(gè)隊(duì)列的專用緩存，確保每個(gè)隊(duì)列均有一定緩存以保證基本轉(zhuǎn)發(fā)；
• 共享緩存：流量突發(fā)時(shí)可以申請(qǐng)使用的緩存，所有隊(duì)列共享；
• Headroom：在觸發(fā)PFC水線后，到服務(wù)器響應(yīng)降速前，還可以繼續(xù)使用的緩存。

• 保證緩存設(shè)置

保證緩存是一個(gè)靜態(tài)水線（固定的、獨(dú)享的）。靜態(tài)水線的利用率非常低，資源消耗卻非常大。我們?cè)趯?shí)際部署時(shí)建議不分配保證緩存，以減少這部分的緩存消耗。這樣，入方向報(bào)文直接使用共享緩存空間，可提高Buffer的利用率。

• 共享緩存設(shè)置

對(duì)于共享緩存的設(shè)置，需要采用更為靈活的動(dòng)態(tài)水線。動(dòng)態(tài)水線能根據(jù)當(dāng)前空閑的Buffer資源，以及當(dāng)前隊(duì)列已使用的Buffer資源數(shù)量來(lái)決定能否繼續(xù)申請(qǐng)到資源。由于系統(tǒng)中空閑共享Buffer資源與已使用的Buffer資源都是時(shí)刻變化的，因此閾值也處于不斷變動(dòng)中。相對(duì)于靜態(tài)水線，動(dòng)態(tài)水線能更靈活、有效的利用Buffer及避免造成不必要的浪費(fèi)。

銳捷網(wǎng)絡(luò)交換機(jī)支持基于動(dòng)態(tài)的方式進(jìn)行Buffer資源的分配，對(duì)共享緩存的設(shè)置分為11檔，動(dòng)態(tài)水線alpha值=隊(duì)列可申請(qǐng)緩存量/剩余共享緩存量。隊(duì)列的α值越大，其在共享緩存中可使用的百分?jǐn)?shù)占比也就越高。

▲共享水線α值與可使用率對(duì)應(yīng)關(guān)系

我們不妨分析一下：

隊(duì)列的α值設(shè)置越小，其最大可申請(qǐng)的共享緩存占比就越小。當(dāng)端口擁塞時(shí)就會(huì)越早觸發(fā)PFC流控，PFC流控生效后隊(duì)列降速，可以很好地確保網(wǎng)絡(luò)不丟包。

但從性能的角度看，過(guò)早觸發(fā)PFC流控，會(huì)導(dǎo)致RDMA網(wǎng)絡(luò)吞吐下降。因此我們?cè)贛MU水線設(shè)置時(shí)需要選取一個(gè)平衡值。

PFC水線到底設(shè)置多少，是一個(gè)非常復(fù)雜的問(wèn)題，理論上不存在一個(gè)固定的值。實(shí)際部署時(shí)，需要我們具體分析業(yè)務(wù)模型，并搭建測(cè)試環(huán)境進(jìn)行水線調(diào)優(yōu)，找到匹配業(yè)務(wù)的最合適的水線。

• Headroom設(shè)置

Headroom：顧名思義，就是頭部空間的意思，是在PFC觸發(fā)后，到PFC真正生效這一段時(shí)間，用來(lái)緩存隊(duì)列報(bào)文的。Headroom設(shè)置多大合適？這里與4個(gè)因素有關(guān)：

• PG檢測(cè)到觸發(fā)XOFF水線，到構(gòu)造PFC幀發(fā)出的時(shí)間（這里主要跟配置的檢測(cè)精度以及平均隊(duì)列算法相關(guān)，固定配置是固定值）
• 上游收到PFC Pause幀，到停止隊(duì)列轉(zhuǎn)發(fā)的時(shí)間（主要跟芯片處理性能有關(guān)系，交換芯片實(shí)際上是固定值）
• PFC Pause幀在鏈路上的傳輸時(shí)間（跟AOC線纜/光纖距離成正比）
• 隊(duì)列暫停發(fā)送后鏈路中報(bào)文的傳輸時(shí)間（跟AOC線纜/光纖距離成正比）

因此Headroom所需要的緩存大小，我們可以根據(jù)組網(wǎng)的架構(gòu)，以及流量模型測(cè)算得出。以100米光纖線 + 100G光模塊，緩存64字節(jié)小包，計(jì)算出所需的Headroom大小是408個(gè)cell（cell是緩存管理的最小單元，一個(gè)報(bào)文會(huì)占用1個(gè)或者多個(gè)cell），實(shí)際測(cè)試數(shù)據(jù)也吻合。當(dāng)然，考慮一定的冗余性，Headroom設(shè)置建議比理論值稍大。

銳捷網(wǎng)絡(luò)在研發(fā)中心搭建了模擬真實(shí)業(yè)務(wù)的RDMA網(wǎng)絡(luò)，架構(gòu)如下：

▲銳捷網(wǎng)絡(luò)RDMA組網(wǎng)架構(gòu)

• 組網(wǎng)模型：大核心三級(jí)組網(wǎng)架構(gòu)，核心采用高密100G線卡；
• POD內(nèi)：Spine采用提供64個(gè)100G接口的 BOX設(shè)備，Leaf采用提供48個(gè)25G接口+8個(gè)100G接口的BOX設(shè)備；
• Leaf作為服務(wù)器網(wǎng)關(guān)，支持和服務(wù)器間基于PFC流控（識(shí)別報(bào)文的DSCP并進(jìn)行PG映射），同時(shí)支持擁塞ECN標(biāo)記；
• RDMA僅運(yùn)行于POD內(nèi)部，不存在跨POD的RDMA流量，因此核心無(wú)需感知RDMA流量；
• 為了避免擁塞丟包，需要在Leaf與Spine之間部署PFC流控技術(shù)，同時(shí)Spine設(shè)備也需要支持基于擁塞的ECN標(biāo)記；
• Leaf和Spine設(shè)備支持PFC流控幀統(tǒng)計(jì)、ECN標(biāo)記統(tǒng)計(jì)、擁塞丟包統(tǒng)計(jì)、基于隊(duì)列的擁塞統(tǒng)計(jì)等，并支持將統(tǒng)計(jì)信息通過(guò)gRPC同步到遠(yuǎn)端gRPC服務(wù)器。