RDMA在数据中心的可靠传输

背景

高带宽、低延迟是目前数据中心应用的基本需求。NVM（Non-Volatile Memory）和 RDMA（Remote Direct Memory Access）可以称得上加速数据中心应用的两架马车，分别从存储和网络方面满足高带宽、低延迟的需求。

TCP/IP 只适用于中等带宽需求且延迟不敏感的应用，不同层级间的数据拷贝和协议栈本身复杂性（现代网卡已经支持部分功能卸载，例如 TSO、CSO、LRO 等，但并不彻底）为 TCP/IP 应用引入了大量延迟。RDMA 通过 Memory Region 机制使得网卡能够直接读写用户态的内存数据，避免了数据拷贝和上下文切换；并将网络协议栈从软件实现 offload 到网卡硬件实现，极大降低了 CPU 开销。随着 RoCEv2（RDMA over Converged Ethernet v2）技术的成熟，RDMA 可以部署在数据中心已有的网络设施上，RDMA 成为数据中心高速网络通信的主流方案。

在大规模数据中心中部署 RoCEv2，首先面临的问题是如何保证 RDMA 的可靠传输。

可靠传输

可靠传输是传输层对上层应用的承诺，上层几乎不需要担心丢包或者重传的问题（只需要配置重试次数和超时时间）。可靠传输的核心是如何应对网络丢包。

为什么会发生丢包？

当发送方发包速率超过了接收方的处理能力时，数据包开始在接收方的接收队列中积压，如果积压情况持续没有缓解直到接收队列满载，接收方只能选择将之后接收到的数据包丢弃。这里的接收方可能是数据包的最终接收者或者中间经过的交换机、路由器。

为什么需要可靠传输？

可靠传输是数据中心应用稳定低延迟的保证。一旦发生丢包，传输层通常会惩罚性地乘性减慢（Multiplicative-decrease）发送速率，并重传丢弃的数据包，用户会感受到突发的性能降级。

以下原因导致了丢包在数据中心网络中很容易发生：

● 普通交换机的浅缓冲区特性。由于成本原因，数据中心交换机的缓冲区一般都不大（几 MB 到数十 MB）。这些缓冲区被所有端口共享 [8]，以便实现统计意义的多路复用。

● 许多分布式应用都遵循 Partition/Aggregate 这种通信模式 [4]。一个请求可能分散到多个工作节点进行处理，每个节点处理数据集的一部分。处理完毕后，所有的工作节点几乎同时地把结果汇聚到同一个节点做数据整合。这是典型多打一的场景（又称为 Incast），汇聚节点所在的端口很容易出现积压。

● 多路径负载不均衡。当网络拓扑中存在多条可达路径时，RoCEv2 通过 ECMP（Equal-cost multi-path） 为每个 Flow 选择合适的路由。ECMP 没有感知拥塞情况的能力，Flow 可能被分配到拥塞程度已经十分严重的路径，引起拥塞加剧和丢包。

丢包对 RDMA 造成大幅性能下降，这是由 RDMA 的重传机制决定的。

RDMA 的重传机制实现在网卡内部，功能比较简单。如下图，RDMA 接收方网卡对于每个成功接收到的数据包，都会回复一个 ACK 包。如下图中，PSN（Packet Sequence Number）为 2 的数据包在发送的过程中被丢弃，接收方接收到 PSN 为 3 的数据包时发现 PSN 不连续，会回复一个 PSN 2 的 NACK（Not ACK）给发送方，丢弃后续接收到的数据包（PSN 3 ~ 5）。发送方需要重发 PSN 2 之后的所有数据包，导致大幅性能下降。一般我们称这种方式为 Go-back-N 重传方式，即重传丢弃的数据包 N 之后的所有数据包（Mellanox CX-6 系列网卡已经支持选择性重传，但存在一些限制[16]）。而 TCP 的重传则只需要重传丢失的单个数据包，丢包带来的性能负面影响比 RDMA 小得多。

因此 RDMA 要求 L2 层或者 L3 层网络是无损的。利用流量控制可以防止收发双方速率不匹配导致的丢包问题。

流量控制和它带来的问题

流控的原理是，接收方在预测到将要丢包之前通知发送方停止发包。下面介绍几种流控算法的演变。

Global Pause

Global Pause 是 1997 年在 IEEE 802.3x 定义的第一种以太网流控机制，工作在 L2 层。

其工作原理是，接收方发现接收队列深度超过某个阈值时，向发送方发送 XOFF Pause Frame，发送方接收到后就停止一切发送操作，直到收到接收方发来的 XON 控制消息或者超时。

Global Pause 无法对流量进行区分，对于上层应用一些高优先级的流量也会被暂停。

PFC（Priority Flow Control）

为了解决 Global Pause 不区分流量类型的问题，IEEE 802.1Qbb 定义的 PFC 提出了对网络流量按照优先级 0 - 7 分类。

如上图，对于每个通信实体，有逻辑上的 Egress 端口和 Ingress 端口，分别对应出口和入口流量。每个端口都有 8 个队列，对应优先级 0 - 7，不同优先级的数据包会缓存在不同队列中。

在通信过程中，接收方发现 p1 队列深度超过 XOFF 阈值，意味着数据包积压，接收方发送一个 p1 优先级的 PFC Pause Frame 给发送方。Pause Frame 会包含了每个优先级需要暂停发送的时间。发送方将暂停 p1 优先级数据包的发送，直到收到对方发过来恢复控制帧。

按照优先级字段在数据包中的存放位置，可以将 PFC 分成两类。

（1）基于 PCP 的 PFC

在 IEEE 802.1Qbb 最初的规定，类别 CoS （Class of Service）保存在 L2 层 VLAN Tag 的 PCP（Priority Code Point，3 bits）字段上。

（2）基于 DSCP 的 PFC

然而，VLAN 在某些生产环境可能带来不便，例如有的生产环境需要使用 PXE 方式安装部署系统，而 PXE 启动时候是没有 VLAN 配置的。RoCEv2 包含了 IP 头部，因此可以考虑将优先级保存在 IP 头部的 DSCP 字段。Microsoft 于 2016 年提出了基于 DSCP 的 PFC [1]。 目前大部分厂商的交换机和 RoCE 网卡都已经支持基于 DSCP 的 PFC。

PFC 的问题

在实际部署中 PFC 性能不佳，会导致不公平问题和 Head-of-Line 堵塞问题。

（1）不公平问题

如上图 a)，交换机上两个流入端口有数据流向同一个流出端口：Ingress 1 携带 Flow 1，Ingress 2 携带 Flow 2 和 3。

图 b) 触发了 PFC Pause，Ingress 1 和 2 同时暂停发送。

图 c) Egress 1 队列空闲，通知 Ingress 1 和 2 恢复发送。

图 d) 由于 Ingress 1 和 2 是同时暂停和恢复的，Flow 2 和 3 需要竞争 Ingress 2，导致 Flow 1 始终能够获得比 Flow 2 或 3 更高的带宽，出现了不同 Flow 带宽分配不公平。

（2）Head-of-Line 堵塞问题

如上图 a)，Flow 1 和 Flow 2 从同一个 Ingress 1 流向不同的 Egress 1 和 2。

图 b)，Egress 1 触发了 PFC Pause，Ingress 1 暂停发送。Flow 2 并不需要经过 Egress 1，却受其影响也被暂停了。

如何解决 PFC 问题

PFC 问题本质的原因是，Pause 机制运行在「端口 + 优先级」这个级别，不能细化到每一个 Flow，而粗暴地将整个发送端口停下来了。如果能够动态地调整每个 Flow 的发送速率，保持端口的队列深度比较稳定，那么就不会触发 PFC Pause 了。因此，基于 Flow 的拥塞控制算法出现了。

拥塞控制

拥塞控制与 PFC 有两个明显区别：

● 拥塞控制根据拥塞程度动态调节发送速率，而 PFC 会让发送端口完全停下；

● 拥塞控制一般会由接收方将拥塞情况通知到真正的发送方，而 PFC 只会通知前一跳。

后者意味着拥塞控制能够实现在 Flow 级别：当接收方发现拥塞发生，将会在拥塞通知消息中携带 Flow 标识，通知到发送方。发送方可以据此调节该 Flow 的发送速率。在 RoCE 的语境中，Flow 可以通过一对 RDMA QP（Queue Pairs）来标识。

拥塞控制是一个自适应调节过程，依赖于一个好的拥塞检测方法。

拥塞检测

检测拥塞的方式大致可以归为三类：基于丢包检测、基于 ECN 的检测和基于 RTT 的检测。

（1）基于丢包检测

基于丢包检测的原理很显然，丢包是拥塞持续得不到缓解的最终结果。TCP 经典的 Tahoe 算法和 CUBIC 算法 [19]，都是基于丢包来做检测的。上文提到，丢包对于 RDMA 的性能影响要比 TCP 大得多，如果等到已经丢包再进行控制成本就太高了，因此 RDMA 不能采用这种方式。

（2）基于 ECN 检测

ECN（Explicit Congestion Notification）是 IP 头部 Differentiated Services 字段的后两位，用于指示是否发生了拥塞。它的四种取值的含义如下：

部署 ECN 功能一般需要交换机同时开启 RED。如果通信双方都支持 ECN（ECN 为 01 或者 10），当拥塞出现时，交换机会更新报文的 ECN 为 11（Congestion Encountered），再转发给下一跳。接收方可以根据 ECN 标志向发送方汇报拥塞情况，调节发送速率。

RED，即 Random Early Drop，是交换机处理拥塞的一种手段。交换机监控当前的队列深度，当队列接近满了，会开始随机地丢掉一些包。丢弃包的概率与当前队列深度正相关。随机丢弃带来的好处是，对于不同的流显得更公平，发送的包越多，那么被丢弃的概率也越大。

当 RED 和 ECN 同时开启，拥塞发生时交换机不再随机丢包，而是随机为报文设置 ECN。

（3）基于 RTT 检测

RTT（Round-Trip Time）是发送方将数据包发送出去，到接收到对端的确认包之间的时间间隔。RTT 能够反映端到端的网络延迟，如果发生拥塞，数据包会在接收队列中排队等待，RTT 也会相应较高。而 ECN 只能够反映超过队列阈值的包数量，无法精确量化延迟。

RTT 可以选择在软件层或者硬件层做统计。一般网卡接收到数据包后，通过中断通知上层，由操作系统调度中断处理收包事件。中断和调度都将引入一些误差。因此，更精确地统计最好由硬件完成，当网卡接收到包时，网卡立即回复一个 ACK 包，发送方可以根据它的到达时间计算 RTT。

需要注意的是，ACK 回复包如果受到其他流量影响遇到拥塞，那么 RTT 计算会有偏差。可以为 ACK 回复包设置更高优先级。或者保证收发两端网卡的时钟基本上同步，然后在回复包加上时间戳信息。另外，网络路径的切换也会带来一些延迟的变化。

下面介绍 RDMA 下分别基于 ECN 和 RTT 检测的两种主流控制算法。

控制算法

（1）DCQCN（ECN 检测）

DCQCN（Data Center Quantized Congestion Notification）是 2015 年由 Microsoft 和 Mellanox 提出的 RoCEv2 的拥塞控制算法 [2]。其设计基于 QCN（Quantized Congestion Notification）[3] 和 DCTCP（Data Center TCP）[4]。

QCN 是 802.1Qau 定义的 L2 层拥塞控制算法，通过统计单位时间窗口 ECN 标记报文的数量来量化拥塞程度。发送方可以根据量化拥塞程度动态调节发送速率。QCN 通过 MAC 地址来识别一个 Flow，Flow 的接收端将拥塞信息反馈给发送端。如果网络流量跨路由，报文的 MAC 地址将发生变化，接收端无法知道真正的发送端 MAC 地址，拥塞信息也就无法抵达发送端了，因此 QCN 不适用于跨路由的网络。

DCTCP 由网络界大佬 Mohammad Alizadeh 提出，主要改善数据中心小流量被大流量抢占的问题。接收方对于每个打上 ECN 标记的包，都会回复一个 ECN-ECHO 的 ACK，发送方可以根据它来量化拥塞程度，按比例调节拥塞窗口。与普通 TCP 不同的是，TCP 遇到拥塞直接将拥塞窗口（更准确的是拥塞门限值）减小一半。

DCQCN 把 QCN 拓展到 IP 网络，以便用于 RoCEv2，主要功能实现在 RDMA 网卡中，中间交换机只需要支持 RED/ECN。

DCQCN 可以划分为三个部分：

拥塞点算法

中间交换机检查当前拥塞情况，当队列深度超过阈值时，通过 RED/ECN 标记报文，然后转发给下一跳。

通知点算法

由接收方网卡完成，主要是把拥塞信息通知到发送方。RoCEv2 新增了 CNP（Congestion Notification Packets）控制报文用于拥塞通知。接收方网卡检查每个接收包的 ECN 标志，如果 CN 被设置，那么发送 CNP 给发送方。为了减少性能开销，每 50 us 只发送一个 CNP（DCTCP 是每个包都回复一个）。

响应点算法

由发送方网卡完成，负责调节发送速率避免拥塞。在每个周期窗口，发送方网卡更新拥塞程度参数（取值为 0 ~ 1），更新的依据是：

● 如果收到拥塞通知，增加拥塞参数

● 否则，逐渐减少拥塞参数

然后根据拥塞程度参数调节发送速率（Rt 为目标速率，Rc 为当前速率），

● 如果收到拥塞通知，降低速率（最多降低到原来的一半）：

● 否则（与 QCN 一样）

○ 快速恢复（持续没收到拥塞通知的前五个周期，每个周期为每发出 150 KB 报文或者 10 ms），向上一次遇到拥塞的速率 Rt 靠近：

○ 主动恢复（快速恢复后，每个周期为 50 个报文或者 5 ms），探测可用带宽（可能超过 Rt）：

其中拥塞点算法依赖于交换机的已有的 RED/ECN 功能。而通知点和响应点算法需要在 RDMA 网卡实现，包括收发 CNP 报文、发送端需要增加对于每个 Flow 的计时器和字节计数器。目前 Mellanox 的网卡已经支持 DCQCN。

（2）Timely（RTT 检测）

Timely 与 DCQCN 同年出现 SIGCOMM 会议上，由 Google 提出，旨在提供一种通用的拥塞控制方法，而不仅限于 RoCE [5]。它是数据中心网络第一个基于延迟的拥塞控制算法。

Timely 算法主要包括三个部分，它们都运行在发送方。算法不涉及中间交换机的处理，但要求接收方网卡对于每一个接收包回复一个 ACK。

RTT 统计模块

Timely 中将 RTT 定义为数据包在网络中传播时间与在队列中等待时间之和。下面的公式中，发送的时间戳由发送方软件层记录；完成的时间戳为发送方接收到接收方网卡返回的 ACK 时间戳。由于一个大包可能被拆分成多个，同时数据包从网卡发送出去有传输时延，因此还需要减去这部分时间。

速率计算模块

对于每一个发包结束事件，速率计算模块从 RTT 统计模块得到该包的 RTT，然后输出一个期望的发送速率。

Timely 并没有根据 RTT 的绝对值来衡量拥塞情况，而是通过 RTT 的梯度变化来捕捉延迟变化：当 RTT 上升时，表明拥塞愈发严重；反之，拥塞正在减轻。这种方式对于延迟更加敏感，有利于满足应用低延迟需求。

速率计算的算法如上图，首先计算 RTT 梯度变化。计算连续两个 RTT 的差值，并与历史值做平滑化过滤掉突发抖动带来的偏差，然后再与 minimum RTT（可以取值为估计的网络传播往返时间）做归一化，得到 RTT 梯度变化率。然后确定期望的发送速率：

● 如果新的 RTT 低于 Tlow，那么采用和性增长（Additive Increment）探测可用带宽，提高发送速率。流量刚启动时，RTT 可能会突然增长，这时候不应该视为拥塞加重。

● 如果新的 RTT 高于 Thigh，那么采用乘性减少（Multiplicative Decrement）减少发送速率。如果 RTT 持续维持在高水平，但梯度几乎没有变化，就需要这个机制防止拥塞。

● 根据 RTT 梯度变化率计算，

○ 如果 RTT 梯度变化率不为正，说明拥塞减轻，那么通过和性增长提高发送速率。如果连续五次 RTT 梯度变化率都不为正，那么增长步长相应提高。

○ 如果 RTT 梯度变化率为正，说明拥塞加重，那么通过乘性减少方式降低发送速率。

速率控制模块

Timely 在软件层增加了一个调度器。当应用需要发送数据包时，不会将发送请求提交给网卡，而是先交给调度器。根据前一模块得到的期望发送速率，调度器将注入发包延迟，把能够放行的数据包交给网卡发送，将需要延迟发送的数据包加入等待队列中，在未来发送。

算法对比

DCQCN 作者随后于 2016 年在文章 [6] 中，通过流体模型和仿真测试证明 Timely 将 RTT 作为唯一衡量标准，难以同时兼顾公平性和延迟上限；而 DCQCN 却可以做到。感兴趣的同学可以了解一下。

下面从检测方式、不同通信组件行为、速率调整方式、适用场景等角度对比 DCQCN 和 Timely 两种拥塞控制算法，同时也把经典的 TCP Tahoe 流控作为参考。DCQCN 和 Timely 没有采用基于窗口的调整方式，主要是窗口方式可能出现突发的流量带来较大延迟，同时实现起来也比基于速率的方式复杂。

在生产中，一般需要调节 DCQCN 和 Timely 的参数，使得它们在 PFC 生效之前先被触发。但 PFC 仍然是必要的配置，因为无论是 DCQCN 还是 Timely，RDMA 网卡在开始传输时都是以线速发送而不是慢启动探测，需要借助于 PFC 防止拥塞和丢包严重化。

DCQCN 的实现主要在网卡，是 RDMA 目前推荐的拥塞控制方案。

讨论：流控是否有必要？

总结一下，RDMA 对于丢包十分敏感，需要 PFC 流控防止丢包发生。PFC 流控有不公平和 Head-of-Line 堵塞问题，需要借助拥塞控制缓解它对网络性能带来的负面影响。但是，流控和拥塞控制有许多参数需要配置，默认参数无法适应所有场景，在我们的部署中就发现需要进行繁琐的调参过程。

回过头来，我们思考一下 RDMA 是否可以没有 PFC 流控呢？

网卡改进

RDMA 网卡低效的 Go-back-N 重传方式导致其依赖于 PFC。沿着这一思路，Timely 的作者于 2018 年提出新的 RDMA 网卡设计 IRN（Improved RoCE NIC）[7]。其灵感来源于 iWARP，在设计哲学上却与 iWARP 有本质差别：iWARP 力求完整地将 TCP/IP 协议栈在网卡内部实现一遍，虽然可以高效应对丢包问题，但是其臃肿而复杂的实现导致其性能低下，在市场上表现弱于 RoCE；IRN 则是在 RoCEv2 之上做加法，只考虑加入最小的功能来去除对 PFC 的依赖。

IRN 主要从两方面改进 RoCE 网卡：

1）增强丢包恢复机制

类似于 TCP，接收方不丢弃乱序包，发送方只选择性重传丢失的数据包。当接收方接收到一个乱序包，接收方会回复一个 NACK，携带当前接收到的包序列号和期望收到的包序列号。发送方根据它就知道哪些包丢失了，哪些包已经被成功接收。

网卡作为发送方时，通过维护一个位图记录发送的包是否收到了确认，如果接收到 NACK 或者发送超时，那么就会重传丢失或者超时的数据包。

网卡作为接收方时，需要处理接收到的乱序包。假设我们限制每个 Flow 最多同时发送 100 个标准 MTU 大小（1 KB）大小的包，为了支持 1000 个 Flow，网卡需要至少 100 MB 内存缓存乱序的包。而网卡内部一般只有几 MB 的内存。IRN 提出不缓存接收到的乱序包，而是直接 DMA 写到用户的内存中。在这种设计下，需要解决以下问题：

● 首包问题。对于一个 RDMA Write 操作，可能被拆分成多个 MTU 大小的包，只有第一个包包含 RETH（RDMA Extented Transport Header）携带远端的地址信息，如果第一个包在其他包之后被接收，其他包将无法知道 DMA 的目的地址。因此，IRN 要求为每个包都有 RETH 信息的拷贝。

● WQE（Work Queue Entry）匹配问题。熟悉 RDMA 编程 API 的同学知道，应用通过构造一个 WQE 发起 RDMA 操作，WQE 记录了操作的描述信息。RDMA 的内部实现假定了每次接收到完整的数据包，对应的就是下一个待处理的 WQE。乱序推翻了这一假设。IRN 要求每个 WQE 有自己的序列号，同时报文头部需要携带序列号信息，用于两者匹配。

● 尾包问题。RDMA 网卡在处理最后一个包时，一般会对包序列号加一，同时产生一个 CQE（Completion Queue Entry）用于通知上层 RDMA 操作完成。在乱序场景中，只有当同一个操作的所有包都完成传输，才能向上通知完成事件。IRN 需要额外的状态来跟踪每个包是否是最后一个完成传输的包。

● 覆盖写问题。假如同一片内存区域发生了两次 RDMA 写操作，第一次写操作发生了丢包，第二次写先到达，第一次写经过重传后到达，就可能出现旧数据将新数据覆盖。IRN 需要上层应用自己处理这一问题。

2）网卡内实现基于 BDP（Bandwidth Delay Product）的流量控制

Bandwidth 一般是通信双方网卡支持的速率上限，Delay 是网络包在网络信道中的传播时间，因此 BDP 反映的是端到端的最大通信能力。文中计算 BDP 时 Delay 采用的是其网络最长路径的传播时延估算值，这样才能保证在最长路径中，网络带宽始终是满载的。

将每个 Flow 发送中的流量限制在一个 BDP 内，一方面可以减少网卡需要维护每个包状态的数量，另一方面也降低了中间交换机出现缓冲区溢出的可能性。我们来简单计算一下：一个 25GbE 两层网络架构，跨 ToR 交换机两个节点间的 RTT 大概是 6us，BDP 为 19 KB（即 25 * 1000 * 1000 * 1000 * 6 / 1000 / 1000 / 8 B）；而 Mellanox Spectrum 交换机的动态缓冲区大小为 12 MB，因此可以容忍大约 640 路 Incast。这样，在一般场景下丢包会很少出现，也就可以去掉 PFC 的配置了。

这种方式可能存在的缺陷是：

● 如果多个 Flow 同时经过同一路径，即便限制每个 Flow 流量在 BDP 内，在中间路径交换机上仍旧会开始排队积压，乃至出现丢包。一种可能的优化方式是动态地调整 BDP 限制值。

● 它要求整张网络中没有其他一些不守规矩的流量。换句话说，它要求网络中的所有流量都限制在 BDP 内。

● BDP 的取值可能影响性能。如果设置地过小，那么带宽可能无法跑满；设置地过大，可能容易引起拥塞。

总结一下，选择性重传实际上在 TCP 早已支持，但在 RDMA 中实现却是困难重重，这主要是因为 RDMA 零拷贝的设计以及 RDMA 网卡内部资源受限。IRN 目前并没有完整实现，带来的更多是对于未来 RDMA 网卡设计的思考。

应用约束

针对小包传输为主的业务，拥塞导致丢包发生的几率非常小，PFC 就没有那么必要了。基于这一思想，Anuj Kalia 提出了 FaSST（Fast, Scalable and Simple Distributed Transactions）[17]（OSDI 2016），一个基于不可靠的 RDMA 数据报传输模式设计的分布式事务系统。FaSST 中的 RPC 大小一般是 256 字节。由于丢包很少发生，FaSST 直接重启 FaSST 进程，处理方式比较粗暴。

Anuj Kalia 后续在 NSDI 2019 又提出了 eRPC [8]，旨在提供数据中心的一个通用的高性能 RPC 库，大家不再需要为了高性能将 RDMA 网络模块和业务逻辑耦合在一起实现。eRPC 主要的设计要点有，

● 为了减少拥塞，IRN 在网卡内部实现基于 BDP 的流量控制，eRPC 则是在应用层实现。eRPC 为每一个 RPC 会话分配可用的发送额度 credits，其值小于 BDP 与 MTU 的商。RPC 客户端每次发送一个请求都需要花费一个 credit，服务端确认接收后归还一个 credit。如果 credits 耗尽，客户端的请求将进入队列。eRPC 默认的 credits 额度为 8。可以想象到 credits 值的选择将影响到单个会话和多个会话的带宽和延迟。

● 在 RDMA 数据报传输模式下，网卡不会处理丢包或者乱序包。eRPC 会丢弃所有的乱序包，然后客户端以 Go-back-N 方式重传丢包序列号之后的所有请求。eRPC 认为丢包是非常罕见的，因此并没有在丢包处理上做太多优化。

FaSST 和 eRPC 都是基于不可靠的 RDMA 数据报传输模式，不再需要 PFC，适合丢包很少的业务场景。对于像分布式存储这样的业务就不适合了。可见，针对具体业务场景进行选型也是 RDMA 系统设计的重点。

展望

流控和拥塞控制技术是网络领域的基本问题，对于 RDMA 这种新型网络也不例外。DCQCN 的出现使得 RDMA 在数据中心真正落地，可以想象未来将会有更多的 RDMA 应用。简单总结一下 RDMA 应用和研究的现状。

如何用好 RDMA 本身的研究，如 [13, 14]。这已经比较成熟，前人总结了许多经验：

● 如何使用 Memory Region 管理内存？

● 如何选择 RDMA Verbs？

● 编程基于事件驱动还是轮询？

● 如何减少 MMIO 或者 DMA 操作提高性能？

● 如何避免网卡的 Cache Miss？

● 如何利用好网卡的多队列和多处理器并发？

流控和拥塞控制。PFC 和 DCQCN 的配置对于大规模数据中心带来不小挑战，参数配置会极大影响性能。基于 SDN 由中央控制器负责调度整张网络的流量是一个比较 promising 的方向。另外，基于机器学习的拥塞控制算法也有不少研究。

网卡架构的新设计。目前 RDMA 网卡已经支持包括 NVMe over Fabric、EC、OvS、VXLAN/NVGRE 等多种功能卸载。对于 IRN 提出的乱序接收问题，Mellanox ConnectX-5 网卡已经支持乱序数据存放，但需要用户层自己检测乱序。相信 RDMA 与 SRIOV、NVM、Multi-Path、容器等技术的结合中会对网卡设计带来更多的需求。

RDMA 在容器中的应用。SRIOV 可以将 RDMA 网卡的虚拟功能分配给容器使用，但是容器迁移时需要重新配置，不够轻便。最近有一些研究希望在软件层面实现 RDMA 在容器中的隔离，将 RDMA 控制路径（如创建 QP，注册 MR，创建 GID 等）交给软件层实现，例如 FreeFlow（NSDI 2019）和 MasQ（SIGCOMM 2020）。另外，vDPA [18] 允许 VM 或者 容器通过标准的 VirtIO 控制和数据接口与网卡 VF 交互，目前已经在 RedHat 支持，在未来可能替代 SRIOV，vDPA 与 RDMA 结合也是一个有意思的话题。

RDMA 与新型存储结合。目前基于 RDMA 的网络存储协议发展比较成熟，包括 NFS over RDMA、iSER、NVMe over Fabric 等，许多存储厂商已经支持。对于新型的 NVM，FileMR（NSDI 2020）提出了如何将 RDMA 和 NVM 之间重叠的部分（命名、权限管理、内存管理等）去掉，提高效率。

参考文献

[1] RDMA over Commodity Ethernet at Scale

[2] Congestion Control for Large-Scale RDMA Deployments

[3] Data Center Transport Mechanisms: Congestion Control Theory and IEEE Standardization

[4] Data Center TCP (DCTCP)

[5] TIMELY: RTT-based Congestion Control for the Datacenter

[6] ECN or Delay: Lessons Learnt from Analysis of DCQCN and TIMELY

[7] Revisiting Network Support for RDMA

[8] Datacenter RPCs can be General and Fast

[9] Traffic Control for RDMA-Enabled Data Center Networks- A Survey

[10] White Paper: RoCE in the Data Center

[11] RDMA in Data Centers: Looking Back and Looking Forward

[12] 数据中心网络的流量控制：研究现状与趋势

[13] Minimizing the Hidden Cost of RDMA

[14] Design Guidelines for High Performance RDMA Systems

[15] Intro to Congestion Control

[16] ConnectX-6 Dx Adapter Cards Firmware Release Notes

[17] FaSST: Fast, Scalable and Simple Distributed Transactions with Two-Sided (RDMA) Datagram RPCs

[18] Achieving network wirespeed in an open standard manner: introducing vDPA

[19] TCP congestion control

作者介绍

Jiewei，SmartX 研发工程师。SmartX 拥有国内最顶尖的分布式存储和超融合架构研发团队，是国内超融合领域的技术领导者。