计算机网络

一句话理解：计算机网络是 AI 基础设施的“血管系统”——数据和梯度通过它在 GPU、CPU、交换机、负载均衡器之间流动；血管不通畅，再强的算力也会缺氧。

如果你已经理解了 Linux 系统调优，下一步就该把目光投向网络。AI 平台上的大量诡异问题，最终都会追溯到网络：

• 分布式训练 NCCL all-reduce 突然超时，可能是 RoCE 的 PFC/ECN 配置不当、交换机缓冲区不足，或 IRQ 绑定错误；
• LLM 推理服务的 P99 延迟抖动，可能是 DNS 解析慢、负载均衡策略不合理、TCP 拥塞窗口震荡，或容器网卡队列竞争；
• Kubernetes Pod 之间偶发连不上，可能是 CNI 插件、iptables/ipvs、MTU、NetworkPolicy 的某一层出了问题；
• 大模型 checkpoint 保存到对象存储慢，可能是 TCP 窗口、RTT、带宽时延积没有充分利用。

本章面向的是已经会用 Linux 和 Kubernetes，但想理解网络为什么这样工作的工程师。

学习目标

读完本章，你将能够：

1. 解释 OSI/TCP-IP 分层模型，以及每一层在 AI 工作负载中的作用；
2. 理解分组交换、电路交换、复用、端到端原则、带宽时延积、incast 等核心思想；
3. 理解 TCP 可靠传输、滑动窗口、拥塞控制（Reno/CUBIC/BBR）的基本机制；
4. 理解数据中心网络拓扑：Spine-Leaf、Clos、fat-tree、3D-torus、OCS；
5. 理解 RDMA、InfiniBand、RoCE、NVLink 在分布式训练中的角色和 trade-off；
6. 理解 Kubernetes CNI、Service、kube-proxy、CoreDNS、Ingress/Gateway API 的网络原理；
7. 理解 L4/L7 负载均衡、DNS、服务网格（Istio/Envoy）在 AI 推理服务中的应用；
8. 掌握基础网络排障工具链：ping、traceroute、tcpdump、ss、iperf、nccl-tests；
9. 与 Linux 系统调优、容器运行时、Kubernetes、LLMOps、AI SRE、案例研究主题形成知识闭环。

本章与手册其他主题的关系

主题	关系	本章会讲到的交叉点
Linux 系统与性能调优	下层实现 vs 上层抽象	Linux 系统调优讲“内核协议栈、NAPI、RPS/RFS/XPS、XDP/RDMA 如何实现”，本章讲“网络协议、拓扑、RDMA/RoCE/IB、CNI/LB/DNS”。
分布式系统基础	网络通信 vs 分布式协议	分布式系统基础讲网络分区、RPC、消息传递、超时与重试；本章提供网络层原理支撑。
容器运行时	容器隔离 vs 网络连接	容器运行时讲“怎么用 namespace/bridge/veth 做容器网络”，本章讲“bridge/veth/路由表背后的二层/三层网络原理”。
Kubernetes	编排层 vs 网络层	Kubernetes 主题讲“CNI/Service/DNS 怎么用”，本章讲“它们背后的网络协议与数据包路径”。
vLLM / TensorRT-LLM	推理引擎 vs 网络	分布式推理和多机通信依赖 NCCL、RDMA/TCP；本章解释这些网络机制如何影响推理延迟与吞吐。
LLM Gateway	流量入口 vs 网络基础	Gateway 的负载均衡、DNS、路由、TLS 终止都建立在计算机网络基础之上。
AI SRE	可观测 vs 网络指标	网络延迟、丢包、重传、带宽是 AI SRE 的核心 SLI；本章解释这些指标的含义。
Meta / Google / OpenAI 案例研究	超大规模集群 vs 网络设计	这些案例研究详细讲数据中心网络、fat-tree、OCS、RoCE/InfiniBand；本章提供理论基础。

本章结构

按手册统一结构，本章包含 11 节：

1. 背景 — 为什么 AI Infra 工程师必须懂计算机网络
2. 核心思想 — 分层、分组、可靠与拥塞
3. 架构设计 — 数据中心网络与 AI 集群拓扑
4. 网络工作流程 — 一个训练/推理包的完整旅程
5. 核心模块 — NIC、协议栈、CNI、DNS、负载均衡、可观测
6. 源码分析 — TCP CUBIC / Cilium eBPF / NCCL 三者选一
7. 工程实践 — CPU 可运行网络机制模拟器
8. 企业生产实践 — RDMA、K8s 网络与 LLM 服务网络调优
9. 最佳实践 — AI 集群网络设计检查清单
10. 面试题 — 初/中/高级计算机网络面试题
11. 延伸阅读 — 书籍、RFC、论文与官方文档

一句话总结

计算机网络不是“能 ping 通就行”的管道，而是决定 AI 训练/推理效率、稳定性和成本的关键基础设施。理解它，才能解释为什么同样的代码和硬件，在不同网络环境下会有完全不同的表现。