智算中心网络AI-Infra系统学习大纲
·
智算中心网络（AI Infra 网络）系统学习大纲
教材型大纲 · 第一版
适用对象：大二在读、备考专升本、HCIP 数通方向在学，目标为智算中心网络 / 数据中心网络工程师
设计依据：中国信通院《人工智能算力基础设施赋能研究报告（2025年）》、工信部《算力基础设施高质量发展行动计划》、ODCC 系列白皮书、Cisco AI 网络流量报告、NVIDIA NCP-AIN 认证体系、华为 HCIE-DC 认证体系
时间跨度：大二下 ~ 本科毕业（约 3.5 年）
使用说明
- 本大纲以"教材"体例编写：篇 → 章 → 节 → 知识点，每章包含【学习目标】【正文大纲】【实验与实操】【推荐阅读】【思考题】五个部分。
- 标记说明：
- ★★★ 核心章节（必读必练，决定就业竞争力）
- ★★☆ 重要章节（需掌握，可与并行线穿插）
- ★☆☆ 了解章节（按时间余量选择性学习）
- 每章【推荐阅读】映射自总书单（见附录 A），带编号便于回溯。
- 建议按附录 E 的进度追踪表记录完成情况，每章完成后打勾并写下 3 条要点笔记。
第 0 篇 导论
第 1 章 智算中心网络导论 ★★☆
1.1 学习目标
- 理解"智算中心网络"的定义、在 AI 基础设施中的位置
- 掌握产业数据：算力规模、市场规模、政策目标
- 明确本方向的职业定位与成长路径
1.2 正文大纲
- 从数据中心网络到智算中心网络的演进
- 传统 DC：南北向流量为主，网关在核心
- 智算 DC：东西向流量爆发，GPU 集群间全互联
- 智算网络的技术全景图
- 计算层：GPU/昇腾 NPU 集群
- 网络层：RoCE/IB/无损以太，Scale-up + Scale-out
- 存储层：NVMe-oF 存储网络
- 调度层：集合通信库（NCCL/RCCL）、集群调度器
- 权威数据与政策背景
- 信通院：2025 年算力规模 788 EFlops，AI 算力市场 190 亿美元
- 工信部《算力基础设施高质量发展行动计划》：2025 年算力超 300 EFLOPS、智能算力占比 35%
- 中国移动 GSE 全调度以太网标准发布
- 岗位画像与成长路径
- 智算网络工程师 / 网络架构师 / 网络智能运维工程师
- 数通 → DC → 智算的三级跳跃
1.3 实验与实操
- 阅读 ODCC《2025 下一代智算 DC 高速互联网络需求白皮书》并输出 1 页摘要
1.4 推荐阅读
- 【报告 R1】信通院《人工智能算力基础设施赋能研究报告（2025年）》（免费下载）
- 【报告 R2】ODCC《2025 下一代智算 DC 高速互联网络需求白皮书》
- 【书 B1】《计算机网络：自顶向下方法》（第 7 版）第 1 章
1.5 思考题
- 为什么智算中心网络被称为"AI 时代的基建"？与 5G 基建有何异同？
- 你所在省份的算力政策文件中，对智算网络有哪些表述？
第一篇 网络基础（复习与深化）
本篇用于巩固 HCIP 数通所学，并补齐 DC/智算所需的深层协议认知。已有 HCIP 基础者可快速过，重点是"从配置到原理"的认知升级。
第 2 章 计算机网络原理精要 ★★★
2.1 学习目标
- 建立从物理层到应用层的完整体系化认知
- 深刻理解"分组交换、排队、拥塞"三大核心机制
- 掌握协议分层与封装解封装思维（后续所有章节的基础）
2.2 正文大纲
- 网络体系结构
- OSI 七层与 TCP/IP 四层模型对照
- 各层 PDU 名称与封装过程
- 应用层
- HTTP/HTTPS、DNS、DHCP 工作原理
- 常见应用的端口与流量特征
- 传输层
- TCP：三次握手、四次挥手、可靠传输、滑动窗口、拥塞控制（慢启动/拥塞避免/快重传/快恢复）
- UDP：无连接特性、适用场景（视频、实时通信、RDMA 数据面）
- 网络层
- IP 编址与子网划分、CIDR、NAT/NAPT
- 路由与转发的基本模型（最长前缀匹配、转发表）
- ICMP 与排障工具
- 数据链路层与物理层
- 以太网帧格式、MAC 地址、VLAN
- 交换机转发原理（MAC 表、泛洪、学习）
- 物理层与光互连概念（为智算大带宽铺垫）
2.3 实验与实操
- Wireshark 抓包分析：TCP 握手、UDP 流、DNS 查询全流程
- eNSP：三层交换、VLAN 间路由、DHCP 中继综合实验
2.4 推荐阅读
- 【书 B1】《计算机网络：自顶向下方法》（第 7 版）第 2~6 章
- 【书 B2】《TCP/IP详解 卷1：协议》（第 2 版）第 1~17 章
- 【书 B3】《图解TCP/IP》（入门对照）
2.5 思考题
- TCP 拥塞控制与 RoCE 无损网络中的 ECN 有何联系？（带着问题进入第 11 章）
- 为什么 UDP 更适合 RDMA 而 TCP 不适合？
第 3 章 路由与交换进阶（HCIP 对接篇） ★★★
3.1 学习目标
- 以"考试 + 原理"双轨完成 HCIP-Datacom 核心内容
- 深度理解 OSPF/BGP/MPLS 的机制而非仅会配置
- 为 EVPN、Segment Routing 打底
3.2 正文大纲
- 动态路由基础
- 路由优先级、度量、路由表与 FIB
- 静态路由与策略路由的适用场景
- OSPF 深度
- 区域设计（骨干区/普通区/特殊区）
- LSA 类型、SPF 计算、邻居状态机
- 网络类型与 DR/BDR
- BGP 深度
- 报文与状态机、路径属性（AS_PATH、MED、Local-Pref）
- 选路原则、路由反射器、联邦
- IBGP/EBGP、BGP 在 DC 中的角色（为 EVPN 铺垫）
- MPLS 基础
- 标签交换原理、LDP、MPLS VPN 模型
- 与 Segment Routing 的传承关系
- 常见故障排查方法论
- 分层排查法、抓包对照法、路由追踪法
3.3 实验与实操
- eNSP 完成 HCIP 全部实验手册（建议 40+ 个实验）
- 综合项目：多区域 OSPF + 跨域 BGP + MPLS VPN 三网合一
3.4 推荐阅读
- 【书 B4】《华为HCIP-Datacom路由交换学习指南》
- 【书 B2】《TCP/IP详解 卷1》第 18~20 章（路由协议补充）
- 【书 B5】《MPLS和VPN体系结构》（Ivan Pepelnjak）
3.5 思考题
- BGP 为什么是 DC 叠加网络（EVPN）的控制面首选？
- MPLS 标签转发与 SRv6 分段路由的异同？
第二篇 数据中心网络（DC）
智算网络的"母体"。本篇是数通向智算跳跃的桥梁，也是 HCIE-DC 的主干内容。
第 4 章 数据中心网络架构 ★★★
4.1 学习目标
- 掌握传统三层架构与 Spine-Leaf（CLOS）架构的对比
- 理解大规模 DC 的冗余与扩展设计原则
- 建立"架构决定性能"的设计思维
4.2 正文大纲
- 传统 DC 三层架构
- 核心-汇聚-接入，STP 时代的问题
- 南北向瓶颈、东西向带宽不足
- Spine-Leaf（CLOS）架构
- 等长路径、无阻塞设计、L2/L3 分界（大 L3 设计）
- 横向扩展（scale-out）vs 纵向扩展（scale-up）
- 关键设计要素
- 扇出比（oversubscription）与带宽规划
- ECMP（等价多路径）负载均衡
- 分区/租户隔离与 VPC 模型
- 服务器接入：ToR 交换机、多网卡 bonding
- 高可用设计
- 设备冗余、链路冗余、网关冗余（VRRP/M-LAG）
- 故障域划分与爆炸半径控制
4.3 实验与实操
- eNSP Pro / EVE-NG：搭建 4 脊 8 叶 Spine-Leaf 拓扑
- 计算题：给定服务器数量与带宽需求，求交换机端口规划
4.4 推荐阅读
- 【书 B6】《Data Center Networks: A Practical Guide》（或华为 CloudFabric 白皮书系列）
- 【书 B1】《计算机网络：自顶向下》第 6 章（链路层复习）
- 【报告 R3】Gartner《2026 数据中心交换机市场指南》（了解市场格局）
4.5 思考题
- Spine-Leaf 中 Leaf 与 Spine 的职责边界在哪里？
- 为什么智算集群普遍采用"大 L3 + ECMP"而不是大二层？
第 5 章 VXLAN 叠加网络 ★★★
5.1 学习目标
- 理解叠加网络（Overlay）与底层网络（Underlay）的分离思想
- 掌握 VXLAN 封装、VTEP、VNI 的核心机制
- 能独立设计 VXLAN 接入方案
5.2 正文大纲
- 叠加网络的动机
- VLAN 4000 上限、大二层需求、租户隔离、虚拟机迁移
- Overlay/Underlay 解耦模型
- VXLAN 协议机制
- 报文封装（MAC-in-UDP）、VNI 标识
- VTEP（VXLAN Tunnel Endpoint）、BUM 泛洪与抑制
- 静态 VXLAN vs 动态 VXLAN
- VXLAN 网关
- L2 网关 / L3 网关 / 分布式网关（Anycast GW）
- 与外部网络互通设计
- VXLAN 与 EVPN 的关系（引出第 6 章）
5.3 实验与实操
- eNSP：静态 VXLAN 二层互通实验
- Wireshark 抓取 VXLAN 报文，解析封装字段（VNI、外层 MAC/IP）
5.4 推荐阅读
- 【书 B6】DC 网络实践指南 VXLAN 章节
- 【书 B2】UDP 封装相关知识复习
- RFC 7348（VXLAN 官方规范，英文原文精读第 1~5 节）
5.5 思考题
- VNI 与 VLAN 的对应关系如何设计才能兼顾扩展与运维？
- 分布式网关相比集中式网关的优势与代价？
第 6 章 BGP-EVPN 控制面 ★★★
6.1 学习目标
- 掌握 EVPN 的核心概念与路由类型
- 理解"控制面与数据面分离"在现代 DC 的实现
- 能配置并排障 BGP-EVPN VXLAN 网络
6.2 正文大纲
- EVPN 概述
- 为什么用 BGP 承载以太网信息（对比传统 MAC 学习）
- MP-BGP、地址族（L2VPN EVPN）
- EVPN 核心路由类型
- Type 1（Ethernet Auto-Discovery）
- Type 2（MAC/IP Advertisement Route）★
- Type 3（Inclusive Multicast Ethernet Tag）
- Type 5（IP Prefix Route）★
- EVPN 关键特性
- MAC/IP 同步、防环、快速收敛
- 分布式网关与 ARP 抑制
- 多租户（VRF + EVPN 实例）模型
- 典型组网与配置
- 华为 CE 系列 EVPN-VXLAN 配置实例
- 常见故障：RT 不匹配、隧道建立失败、MAC 黑洞
6.3 实验与实操
- eNSP：BGP-EVPN + VXLAN 分布式网关完整实验（建议 3 台 VTEP + 2 台 Spine）
- 故障演练：故意配错 RT 值，观察 BGP 邻居与隧道状态并修复
6.4 推荐阅读
- 【书 B6】DC 网络实践指南 EVPN 章节
- 【书 B7】《BGP 设计与实现》（Randy Zhang，EVPN 前 BGP 底子）
- RFC 7432（BGP MPLS-Based Ethernet VPN，精读 Type 2/3/5）
6.5 思考题
- EVPN Type 2 与 Type 5 路由分别解决什么问题？
- 分布式网关下，主机间跨 Leaf 通信的数据路径是怎样的？
第 7 章 Segment Routing（SR） ★★☆
7.1 学习目标
- 理解 SR 的转发模型与 MPLS/SRv6 两种数据面
- 了解 SR 在 DC 与智算网络中的角色（灵活路径、快速重路由）
7.2 正文大纲
- 从 MPLS LDP 到 Segment Routing
- 标签分发方式的改变、IGP 扩展（OSPF/SR、IS-IS/SR）
- 源路由思想：分段列表（Segment List）
- SR-MPLS 基础
- SID（Segment Identifier）、Prefix-SID、Adj-SID
- 隧道建立与转发流程
- SRv6 基础
- IPv6 扩展头、SRH（Segment Routing Header）
- SRv6 与云网融合、网络编程
- SR 在智算/DC 的应用前景
- 灵活路径调度、TE 流量工程、确定性网络
7.3 实验与实操
- eNSP：SR-MPLS 基础实验（IGP 自动分发 SID）
- 阅读 SRv6 网络编程案例（华为官方文档）
7.4 推荐阅读
- 【书 B5】《MPLS和VPN体系结构》MPLS 部分（先修）
- 华为《SRv6 技术白皮书》/ IETF RFC 8402（SR 架构）
7.5 思考题
- SRv6 相比 SR-MPLS 的优势与部署成本？
- 智算网络为什么需要"灵活路径"而不仅仅是 ECMP？
第 8 章 数据中心网络可靠性与运维 ★★☆
8.1 学习目标
- 掌握 BFD、M-LAG、堆叠等可靠性技术
- 建立 DC 运维的监控与变更管理思维
8.2 正文大纲
- 快速检测与收敛
- BFD（双向转发检测）原理与配置
- 与 OSPF/BGP/静态路由联动
- 链路聚合与双活
- LACP、M-LAG（跨设备链路聚合）、堆叠（CSS）
- 双活网关与环路避免
- 运维基础
- 监控指标：CPU/内存/端口流量/丢包/时延
- 日志与告警体系、配置备份与版本管理
- 变更窗口与回滚预案
8.3 实验与实操
- eNSP：M-LAG 双活网关实验；BFD 联动 BGP 快速切换实验
8.4 推荐阅读
- 【书 B6】DC 实践指南可靠性章节
- 华为 CE 系列《配置指南-BFD》《配置指南-M-LAG》
8.5 思考题
- BFD 检测时间与网络负载的关系如何权衡？
- 一次 DC 变更事故的完整复盘流程应该包含哪些环节？
第三篇 无损网络与 RDMA（智算网络的心脏）
本篇是智算网络区别于传统数通的核心分水岭，也是面试中区分"真懂智算"与"概念党"的关键。
第 9 章 RDMA 技术基础 ★★★
9.1 学习目标
- 理解 RDMA 解决的根本问题（CPU 卸载、内核旁路、零拷贝）
- 掌握 InfiniBand / RoCE / iWARP 三种实现与选型
- 理解 RDMA 与 AI 训练的关系
9.2 正文大纲
- 传统网络通信的瓶颈
- 内核协议栈开销、多次拷贝、CPU 中断
- 延迟与吞吐的数学边界
- RDMA 核心机制
- 内核旁路（Kernel Bypass）、零拷贝（Zero-Copy）、CPU 卸载
- Verbs API 模型：QP（Queue Pair）、CQ（Completion Queue）、MR（Memory Region）
- 三大实现对比
- InfiniBand（IB）：专用网络，RDMA 原生
- RoCEv1/v2：基于以太网，v2 使用 UDP 封装★
- iWARP：基于 TCP
- 应用场景
- HPC、AI 训练（NCCL 底层）、存储（NVMe-oF）、大数据
9.3 实验与实操
- Linux 双机部署 SoftRoCE（RXE）或真机 RoCE 网卡
- 使用
ib_write_bw/ib_read_lat工具测量带宽与延迟 rdma link、ibstat、ibv_devinfo命令实操
9.4 推荐阅读
- 【书 B8】《InfiniBand Architecture Specification》（IBTA 官方规范，按需查阅）
- 【书 B9】《Handbook of Fiber Optic Data Communication》（第 4 版）RDMA 章节
- NVIDIA 官方《RDMA 技术文档》（docs.nvidia.com，RoCE 章节）
9.5 思考题
- RoCEv2 为什么选择 UDP 封装而不是 TCP？
- 内核旁路带来的好处与安全/管理上的代价是什么？
第 10 章 RoCEv2 协议栈与部署 ★★★
10.1 学习目标
- 掌握 RoCEv2 报文结构、GID/流标（流控）机制
- 能规划并部署一个 RoCEv2 集群网络
10.2 正文大纲
- RoCEv2 报文格式
- 以太头 + IP + UDP（目标端口 4791）+ IB BTH + Payload
- PSN（Packet Sequence Number）、重传机制
- 寻址与路由
- GID（Global ID）/ GRH（Global Routing Header）
- RoCEv2 跨子网路由、VLAN 与 PCP 标记
- 部署要点
- 交换机/网卡/服务器三端配置
- MTU 一致性（建议 9000 Jumbo）、流控开启
- RoCE 流量与普通流量的隔离（专用 VLAN/PFC 队列）
- 常见问题
- 丢包导致性能骤降、流控风暴、队列死锁
10.3 实验与实操
- Wireshark 抓取 RoCEv2 报文（filter:
udp.port == 4791） - 在交换机上配置 RoCE 专用队列与优先级映射
10.4 推荐阅读
- 【书 B9】光通信手册 RoCE 相关章节
- NVIDIA《RoCE 部署指南》（官方，含交换机配置模板）
- 华为 CloudFabric 智算网络解决方案文档
10.5 思考题
- 为什么 RoCE 对丢包极其敏感（0.1% 丢包即大幅掉速）？
- Jumbo MTU 在 RoCE 部署中的必要性是什么？
第 11 章 无损网络拥塞控制 ★★★（本篇最核心）
11.1 学习目标
- 深刻理解 PFC 与 ECN 的原理、优缺点与协同
- 掌握 DCQCN 等端到端拥塞控制算法
- 理解"无损网络"为何需要全链路协同
11.2 正文大纲
- 拥塞的本质与代价
- 传统 TCP 丢包重传 vs RDMA 对丢包的不可容忍
- 拥塞树（Congestion Tree）、HoL 阻塞（Head-of-Line Blocking）
- PFC（Priority-based Flow Control）802.1Qbb
- 按优先级暂停机制、PAUSE 帧
- 优点：链路级无损；缺点：死锁风险、流控风暴、公平性问题
- ECN（Explicit Congestion Notification）802.1Qau
- 标记机制（CE 标记）、与 TCP/DCQCN 联动
- 优点：端到端反馈；缺点：依赖端侧算法
- 经典拥塞控制算法
- DCQCN（RoCE 标配）★、QCN、DCTCP
- 参数调优：K 值、W 值、标记阈值
- 无损网络的工程协同
- 队列设计（无损队列/普通队列隔离）
- 端到端 QoS 映射（PCP/DSCP 映射链）
- 网络级方案：华为 iLossless、无损以太（UEC）的演进
11.3 实验与实操
- 理论实验：用 ns-3 或华为 iMaster NCE 模拟器观察 PFC 暂停帧与 ECN 标记
- 真机实验（有条件时）：制造拥塞观察队列深度与流控计数器
- 精读 ODCC《数据中心智能无损网络白皮书》并画原理图
11.4 推荐阅读
- 【报告 R4】ODCC《数据中心智能无损网络白皮书》（必读，中文权威）
- 【报告 R5】ODCC《2025 以太网智算集群互联技术白皮书》
- 【书 B2】《TCP/IP详解》ECN 相关章节（RFC 3168）
- IEEE 802.1Qbb / 802.1Qau 标准原文（按需）
11.5 思考题
- PFC 为什么可能引起"死锁"？如何通过设计避免？
- DCQCN 中 ECN 标记与 PFC 暂停是如何配合工作的？
- 为什么说"无损网络"是全链路（网卡+交换机+协议）协同的结果？
第 12 章 超以太网与新一代智算网络协议 ★★☆
12.1 学习目标
- 了解 UEC（Ultra Ethernet Consortium）的技术方向
- 掌握国内 GSE（全调度以太网）与 FlexLane 的进展
- 建立"标准演进"的长期跟踪能力
12.2 正文大纲
- 为什么需要"超以太网"
- IB 的封闭性 vs 以太网的开放生态
- 以太网在 AI 场景的三大短板（拥塞、时延、规模）
- Ultra Ethernet（UEC）
- 成立背景与成员（AMD、博通、思科、华为等）
- 技术方向：UET（传输层）、改进流控、可扩展性
- 中国方案：GSE 全调度以太网
- 中国移动发布 GSE 全套标准与商用设备
- 逐跳调度 vs 端到端拥塞控制的对比
- FlexLane 弹性通道技术
- 光互联与长距智算
- 无损智算 OTN（HIC-OTN）技术白皮书
- 跨数据中心智算互联（DCI）
12.3 实验与实操
- 跟踪 UEC 官网与 ODCC 白皮书更新，做标准对比表
- 阅读中国移动《云智算新一代网络基础设施白皮书》输出思维导图
12.4 推荐阅读
- 【报告 R6】中国移动《云智算新一代网络基础设施白皮书》
- 【报告 R7】ODCC《2025 下一代智算 DC 高速互联网络需求白皮书》
- UEC 官网技术文档（ultraethernet.org）
12.5 思考题
- GSE 与 UEC 在解决拥塞问题上的思路差异？
- 未来 3 年，智算网络会形成"IB vs 以太网"的何种格局？
第 13 章 存储网络与 NVMe-oF ★★☆
13.1 学习目标
- 理解 AI 数据管线对存储网络的需求
- 掌握 NVMe-oF 与 RDMA 的结合方式
13.2 正文大纲
- 存储网络演进
- FC-SAN → iSCSI → NVMe-oF
- AI 训练中 checkpoint 与数据集加载的带宽压力
- NVMe-oF 基础
- NVMe over Fabrics：RoCE / FC / TCP 三种传输
- 与 RDMA 的结合（NVMe/RDMA）
- 智算存储架构
- 并行文件系统（Lustre/GPFS）与网络的关系
- 存储网络与计算网络的隔离/融合设计
13.3 实验与实操
- 了解
nvme命令行工具与 target 配置（软环境） - 画出"训练集群 + 存储集群"的网络拓扑图
13.4 推荐阅读
- 【书 B9】光通信手册存储章节
- SNIA 官方 NVMe-oF 技术教程（免费在线）
13.5 思考题
- 为什么 checkpoint 写入会成为训练瓶颈？网络如何缓解？
- 存储网络是否需要"无损"？与计算网络的要求有何异同？
第四篇 智算系统与 AI 集群
从"网络"扩展到"系统"，理解网络如何服务 AI 训练，这是智算网络工程师区别于普通网工的分水岭。
第 14 章 AI 训练通信模式与集合通信 ★★★
14.1 学习目标
- 理解分布式训练的基本范式与通信模式
- 掌握 NCCL/RCCL 集合通信与网络负载的关系
- 能根据通信模式反推网络设计需求
14.2 正文大纲
- 分布式训练基础
- 数据并行 / 模型并行 / 张量并行 / 流水线并行
- PS 架构（参数服务器）vs All-Reduce 架构
- 集合通信原语
- AllReduce（全归约）★、AllGather、AlltoAll、ReduceScatter
- 环形（Ring）与树形（Tree）算法、通信量计算
- NCCL 与 RCCL
- NCCL（英伟达）/ RCCL（昇腾）的角色
- 通信库对网络的要求：低延迟、高带宽、无丢包
- 通信与网络设计的映射
- 大模型训练 → 东西向流量爆发的量化
- 网络拓扑（Fat-Tree/3D-Torus）与通信效率
14.3 实验与实操
- 阅读《Megatron-LM》/《DeepSeek》技术报告中的并行策略章节
- 计算题：8 卡 / 64 卡 AllReduce 的理论通信时间
14.4 推荐阅读
- 【书 B10】《高性能计算导论》相关章节（并行编程模型）
- NVIDIA NCCL 官方文档（docs.nvidia.com/deeplearning/nccl）
- 华为昇腾社区 RCCL 文档
14.5 思考题
- 为什么 AllReduce 在 Ring 算法下与节点数几乎无关？
- 模型并行相比数据并行对网络延迟更敏感还是更不敏感？
第 15 章 GPU 集群与算力网络架构 ★★★
15.1 学习目标
- 掌握 NVIDIA Spectrum-X 与昇腾集群的组网架构
- 理解 Scale-up（机内互联）与 Scale-out（机间互联）
- 了解 DPU/智能网卡的卸载能力
15.2 正文大纲
- Scale-up 与 Scale-out
- 机内：NVLink / 昇腾 HCCS 高速互联
- 机间：RoCE/IB 网络（Scale-out Fabric）
- NVIDIA 方案
- Spectrum-X：Spectrum 交换机 + BlueField DPU + DOCA
- 拥塞控制增强（Adaptive Routing、Per-Packet 动态路由）
- 参考架构：8 卡节点 → 数千卡集群的组网
- 华为昇腾方案
- 昇腾 910 集群、HCCS/HCCL、CloudFabric 智算网络
- 与国产化政策的衔接
- DPU / 智能网卡
- 网络卸载：OVS 卸载、RDMA 卸载、安全卸载
- 裸金属与虚拟化的网络一致性
15.3 实验与实操
- 云 GPU 实例（按小时租用）搭建 2~4 卡训练环境，跑通 NCCL 测试（
all_reduce_perf） - 阅读 NVIDIA《Spectrum-X Networking Platform Administration》官方培训教材并做笔记（免费获取）
15.4 推荐阅读
- 【书 B11】NVIDIA《Spectrum-X 管理教材》（官方免费）
- 【书 B12】华为《昇腾 AI 集群网络》系列资料
- 【报告 R6】中国移动云智算白皮书（架构章节）
15.5 思考题
- Scale-up 与 Scale-out 的边界由什么决定？
- DPU 卸载对网络运维（可观测性、排障）带来了哪些新挑战？
第 16 章 智算中心网络设计 ★★★
16.1 学习目标
- 能独立完成一个千卡级智算集群的网络设计
- 掌握带宽规划、拓扑选型、分区设计的方法论
16.2 正文大纲
- 需求分析
- 训练/推理/存储流量占比测算
- 故障容忍度与服务等级约定（SLA）
- 拓扑设计
- Fat-Tree（Clos 扩展）、Dragonfly、3D-Torus 对比
- 脊叶规模计算：给定 GPU 数量求端口数
- 带宽规划
- 收敛比设计（1:1 无收敛 vs 3:1）
- 400G/800G/1.6T 演进路线（智研咨询报告显示已进入 800G/1.6T 周期）
- 分区与隔离
- 计算/存储/管理三网分离
- 多租户与安全域设计
- 部署与验收
- 验收标准：带宽/时延/丢包基线、性能测试方法
16.3 实验与实操
- 课程设计：设计一个 1024 卡 GPU 集群的网络方案（含拓扑图、端口清单、预算表）
- 用 Excel/在线工具计算带宽需求并形成设计文档
16.4 推荐阅读
- 【书 B6】DC 实践指南架构章节（先修）
- 【报告 R2/R7】ODCC 智算 DC 高速互联需求白皮书
- 智研咨询《中国数据中心交换机行业报告》（市场与技术趋势）
16.5 思考题
- 无收敛（1:1）网络在 1024 卡集群中的成本是多少？是否值得？
- 训练任务对网络的"长尾时延"为何比"平均时延"更敏感？
第 17 章 智算网络调优与排障 ★★★
17.1 学习目标
- 掌握智算网络性能基线与瓶颈定位方法
- 能处理"训练慢"类问题的完整排查流程
17.2 正文大纲
- 性能基线
- 带宽测试（iperf3/ib_write_bw）、时延测试
- NCCL 测试与训练框架实测（Megatron 吞吐）
- 丢包与拥塞定位
- 网卡侧：
ethtool -S、RDMA 计数器、rdma statistic - 交换机侧：队列深度、PFC 暂停帧计数、ECN 标记计数
- 端到端：
ucx_perftest、nvidia-smi通信利用率
- 网卡侧：
- 常见问题库
- MTU/流控配置不一致、VLAN/PFC 优先级映射错误
- 网卡固件与驱动版本、DPU 配置
- 训练框架通信配置（NCCL 环境变量调优）
- 调优方法论
- 单点隔离法、二分定位法、对照实验法
- 输出标准排障报告模板
17.3 实验与实操
- 搭建"故障工单"演练：给出 5 个预置故障场景，逐一定位修复
- 编写一份《智算网络排障手册》（个人知识库）
17.4 推荐阅读
- 【书 B11】Spectrum-X 管理教材（监控与排障章节）
- NVIDIA 官方《RoCE 排障指南》
- 华为《CloudFabric 智算网络运维指南》
17.5 思考题
- 训练性能下降时，如何快速判断瓶颈在网络还是计算？
- PFC 暂停帧计数持续增长意味着什么？该如何处理？
第五篇 自动化与智能运维
贯穿全程的并行线。智算网络的规模决定了"手工运维"不可行，自动化是护城河。
第 18 章 网络自动化基础（Python 实战） ★★★
18.1 学习目标
- 用 Python 独立完成网络设备的批量操作与巡检
- 掌握 Netmiko/Nornir/Ansible 三件套
18.2 正文大纲
- Python 必备基础
- 数据类型、函数、文件、异常、正则表达式
- 面向对象入门（为 Netmiko 源码阅读铺垫）
- Netmiko
- SSH 连接管理、命令下发、回显解析
- 批量备份配置脚本实战
- Nornir
- 并行任务框架、Inventory 模型
- 全网络巡检与配置一致性检查
- Ansible
- Playbook 语法、华为模块（
community.network/华为官方集合） - 配置模板化（Jinja2）与滚动变更
- Playbook 语法、华为模块（
18.3 实验与实操
- 项目：编写"自动巡检 + 告警"脚本（连接 eNSP 桥接或真机），输出 Excel 报告
- 项目：Ansible 批量下发 30 台交换机的基础配置
18.4 推荐阅读
- 【书 B13】《Python编程：从入门到实践》（Eric Matthes）
- 【书 B14】《网络自动化运维实战》（Netmiko/Nornir）
- 【书 B15】《Network Programmability and Automation》（O’Reilly）
18.5 思考题
- Netmiko（SSH 命令行）与 NETCONF 的本质区别？
- 自动化脚本在"变更事故"场景下如何做安全控制（灰度/回滚）？
第 19 章 网络可编程性（NETCONF/YANG/gNMI） ★★★
19.1 学习目标
- 理解结构化网络管理与传统 CLI 的差异
- 掌握 NETCONF/YANG 的基本操作与 gNMI/Telemetry
19.2 正文大纲
- NETCONF 协议
- 会话与操作（get/get-config/edit-config）、能力协商
- YANG 数据建模
- 模块结构、容器/列表/叶子
- 与 JSON/XML 编码的对应
- RESTCONF 与 gNMI
- RESTful 接口、gNMI Subscribe（流式遥测）
- Telemetry 遥测
- 推模式 vs 拉模式
- 华为 gRPC 遥测与 Prometheus 对接
19.3 实验与实操
- 用
yangson/ncclient（Python）对模拟器执行 NETCONF 查询 - 搭建 Prometheus + Grafana 监控交换机指标
19.4 推荐阅读
- RFC 6241（NETCONF）、RFC 7950（YANG 1.1）
- 【书 B15】可编程性章节
- 华为《YANG 模型开发指南》（官方文档）
19.5 思考题
- Telemetry 相比 SNMP 轮询的优势？
- 为什么说 YANG 是网络设备的"数据库 Schema"？
第 20 章 监控与智能运维（AIOps） ★★☆
20.1 学习目标
- 掌握监控体系搭建与告警收敛
- 了解 AIOps 在智算网络的应用方向
20.2 正文大纲
- 监控体系设计
- 指标（Metrics）/日志（Logs）/追踪（Traces）三支柱
- Prometheus + Grafana + Loki/ELK 组合
- 告警管理
- 告警分级、抑制、收敛、值班闭环
- 告警与自动化联动（自愈脚本）
- AIOps 基础
- 异常检测（时序）、根因分析（RCA）
- 智能运维在智算集群的实践（信通院报告中"智能运维"章节）
20.3 实验与实操
- 搭建一套监控大屏：交换机 + 服务器指标可视化
- 设计一个"告警 → 自动重启/切换"的自愈流程（模拟）
20.4 推荐阅读
- 【报告 R1】信通院报告智能运维章节
- 《Site Reliability Engineering》（Google SRE 中文版，可选）
- 中国通信企业协会《智能网络运维工程师》课程大纲（官方通知）
20.5 思考题
- 告警风暴的根因与收敛手段有哪些？
- AIOps 能替代网络工程师的哪些工作？不能替代什么？
第 21 章 云原生网络（K8s CNI） ★★☆
21.1 学习目标
- 理解容器网络模型与 CNI 插件
- 了解云原生网络与智算调度的关系
21.2 正文大纲
- Kubernetes 网络模型
- Pod 网络、Service 与 kube-proxy、DNS
- CNI 规范与常见插件（Flannel/Calico/Cilium）
- 多网卡与 SR-IOV
- 智算场景的专用网卡（RDMA 网卡进 Pod）
- SR-IOV/DPDK 与 RDMA 虚拟化
- 智算调度中的网络
- 拓扑感知调度（NCCL 拓扑匹配）
- Volcano/KubeFlow 与网络协同
21.3 实验与实操
- 本地 K8s（k3s/minikube）安装 Calico，观察网络策略生效
- 阅读"RDMA 网卡 + SR-IOV + Pod"的部署文档
21.4 推荐阅读
- 【书 B16】《Kubernetes 权威指南》（CNI 章节）
- Cilium/Calico 官方文档
21.5 思考题
- Pod 网络与物理网络如何衔接？NodePort/LoadBalancer 的数据路径？
- 为什么大模型训练集群要用"专用网络"而不是默认 Pod 网络？
第六篇 认证、项目与就业
第 22 章 认证体系对标 ★★☆
22.1 学习目标
- 明确 HCIE-DC 与 NCP-AIN 的考试结构与备考策略
- 制定与学业时间线匹配的认证计划
22.2 正文大纲
- 华为认证路线
- HCIE-Data Center：笔试 + 实验 + 面试
- 华为 HCSP-Presales-Data Center（售前方向，可选）
- 备考资源：官方培训教材（HCIE-DC V2.0 教材）
- NVIDIA 认证路线
- NCP-AIN（AI Networking Professional）结构：Spectrum-X、BlueField、RoCE、SONiC
- 免费官方培训 + 模拟考试（NVIDIA 官方、Spectrum-X 公开课）
- 备考策略
- 认证与课程进度的对应关系表
- 刷题节奏与实验验证结合
22.3 实验与实操
- 下载 NCP-AIN 官方考试大纲，逐条对照本大纲打勾
- 参加华为 ICT 大赛（数通/云赛道）作为实战练兵
22.4 推荐阅读
- 【书 B11】Spectrum-X 官方教材（NCP-AIN 核心）
- 【书 B17】《华为HCIP-Datacom路由交换学习指南》（数通底座复习）
22.5 思考题
- HCIE-DC 与 NCP-AIN 的含金量与就业场景差异？
- 认证在简历中的定位：敲门砖还是能力证明？
第 23 章 实验环境与项目实践 ★★★
23.1 学习目标
- 搭建可持续演进的个人实验环境
- 产出 3 个可写进简历的完整项目
23.2 正文大纲
- 环境选型
- 免费层：eNSP / EVE-NG / GNS3（网络模拟）
- 云层：华为云免费实验、云 GPU 按小时（训练验证）
- 真机层：二手设备（可选）、学校实验室
- 项目库设计（简历级）
- 项目 1：HCIP 综合园区网（已具备）
- 项目 2：Spine-Leaf + EVPN-VXLAN 数据中心（模拟器）
- 项目 3：网络自动化巡检系统（Python + 报告）
- 项目 4：智算集群网络方案设计（千卡级设计文档）
- 项目 5：RoCE 性能测试与调优报告（云 GPU）
- 知识沉淀
- GitHub 仓库结构、文档规范、排障笔记模板
23.3 实验与实操
- 本周任务：初始化 GitHub 仓库 + 完成项目 2 的拓扑设计
23.4 推荐阅读
- 【书 B14】自动化项目章节（项目参照）
- 华为 eNSP 官方实验手册（HCIA-Datacom 实验指南）
23.5 思考题
- 简历项目如何体现"从配置到设计"的进阶？
- 模拟器实验与真机实验的差距在哪里？如何弥补？
第 24 章 求职与职业发展 ★☆☆
24.1 学习目标
- 明确目标岗位画像与简历策略
- 建立 5 年职业发展路径
24.2 正文大纲
- 目标岗位画像
- 智算中心网络工程师 / 网络架构师 / 网络智能运维工程师
- 云厂商 DC 网络工程师、运营商算力网络工程师
- 简历与面试
- 项目叙述的 STAR 法则
- 高频面试题清单（BGP/EVPN/PFC/ECN/NCCL）
- 谈薪与城市选择（一线/新一线智算产业聚集区）
- 职业发展路径
- 0-2 年：运维/实施（打基础）
- 2-5 年：方案设计/架构（形成体系）
- 5 年+：架构师/团队负责人/专家
- 持续跟踪：UEC、GSE、信通院年度报告
24.3 实验与实操
- 写一版简历，用本大纲的章节标题作为技能树自查清单
24.4 推荐阅读
- 【报告 R1】信通院报告（产业趋势用于面试）
- 【报告 R3】Gartner 市场指南（市场格局）
24.5 思考题
- 你的差异化竞争力是什么？（HCIP 数通 + 自动化 + 智算认知？）
- 如果 2028 年智算网络岗位竞争加剧，你的第二技能是什么？
附录
附录 A 总书单（按优先级分级）
A 级（必读精读）
| 编号 | 书名 | 作者/出版 | 对应章节 |
|---|---|---|---|
| B1 | 《计算机网络：自顶向下方法》（第 7 版） | Kurose/Ross，机械工业出版社 | 第 2、4 章 |
| B2 | 《TCP/IP详解 卷1：协议》（第 2 版） | Kevin Fall 等，机械工业出版社 | 第 2、3、11 章 |
| B3 | 《图解TCP/IP》（第 5 版） | 竹下隆史，人民邮电出版社 | 第 2 章 |
| B4 | 《华为HCIP-Datacom路由交换学习指南》 | 华为技术认证教材 | 第 3 章 |
| B5 | 《MPLS和VPN体系结构》 | Ivan Pepelnjak，人民邮电出版社 | 第 3、7 章 |
| B6 | 《Data Center Networks: A Practical Guide》 | 华为 CloudFabric 白皮书系列 | 第 4、5、6、8、16 章 |
| B7 | 《BGP 设计与实现》 | Randy Zhang，人民邮电出版社 | 第 6 章 |
| B8 | 《InfiniBand Architecture Specification》 | IBTA 官方规范 | 第 9 章 |
| B9 | 《Handbook of Fiber Optic Data Communication》（第 4 版） | Casimer DeCusatis，Elsevier | 第 9、10、13 章 |
| B10 | 《高性能计算导论》 | 相关经典教材（任选） | 第 14 章 |
| B11 | NVIDIA《Spectrum-X Networking Platform Administration》 | NVIDIA 官方（免费） | 第 15、17、22 章 |
| B12 | 华为《昇腾 AI 集群网络》系列资料 | 华为官方文档 | 第 15 章 |
| B13 | 《Python编程：从入门到实践》 | Eric Matthes，人民邮电出版社 | 第 18 章 |
| B14 | 《网络自动化运维实战》 | 相关实战教材（Netmiko/Nornir） | 第 18 章 |
| B15 | 《Network Programmability and Automation》 | O’Reilly | 第 18、19 章 |
| B16 | 《Kubernetes 权威指南》 | 闫健勇等，电子工业出版社 | 第 21 章 |
B 级（选读参考）
- 《华为HCIA-Datacom认证实验指南》（打底实验）
- 《路由与交换技术教程——基于eNSP的网络设备配置》（北邮社）
- 《Site Reliability Engineering》（Google SRE）
- 《深入理解Kubernetes》
- 《软件定义网络：SDN 与 OpenFlow 解析》
附录 B 权威报告与白皮书索引
| 编号 | 报告 | 机构 | 用途 |
|---|---|---|---|
| R1 | 《人工智能算力基础设施赋能研究报告（2025年）》 | 中国信通院 | 产业背景、市场规模、智能运维 |
| R2 | 《2025 下一代智算 DC 高速互联网络需求白皮书》 | ODCC | 需求与技术方向 |
| R3 | 《2026 数据中心交换机市场指南》 | Gartner | 市场格局 |
| R4 | 《数据中心智能无损网络白皮书》 | ODCC | 无损网络核心 |
| R5 | 《2025 以太网智算集群互联技术白皮书》 | ODCC | 智算互联技术 |
| R6 | 《云智算新一代网络基础设施白皮书》 | 中国移动 | 运营商方案、GSE |
| R7 | 《无损智算OTN（HIC-OTN）技术白皮书》 | 行业联盟 | 长距智算互联 |
| R8 | 《算力基础设施高质量发展行动计划》 | 工信部等六部门 | 政策与时间表 |
| R9 | 《算力互联互通行动计划》 | 工信部 | 政策方向 |
| R10 | 《中国数据中心交换机行业发展报告》 | 智研咨询 | 800G/1.6T 演进 |
附录 C 工具与命令速查
- 网络模拟：eNSP、eNSP Pro、EVE-NG、GNS3
- 抓包分析：Wireshark（RoCE filter:
udp.port == 4791） - 性能测试：iperf3、ib_write_bw、ib_read_lat、ucx_perftest
- RDMA 管理：
ibstat、ibv_devinfo、rdma link、ethtool -S - 自动化：Python、Netmiko、Nornir、Ansible、ncclient
- 监控：Prometheus、Grafana、Loki
- 容器：k3s/minikube、Calico/Cilium
- 云资源：华为云免费实验、云 GPU 按小时租用
附录 D 术语表（节选）
| 术语 | 全称/含义 |
|---|---|
| RDMA | Remote Direct Memory Access，远程直接内存访问 |
| RoCE | RDMA over Converged Ethernet，基于融合以太网的 RDMA |
| PFC | Priority-based Flow Control，基于优先级的流控（802.1Qbb） |
| ECN | Explicit Congestion Notification，显式拥塞通知（802.1Qau） |
| DCQCN | Data Center Quantized Congestion Notification |
| VXLAN | Virtual eXtensible LAN，虚拟可扩展局域网 |
| EVPN | Ethernet VPN，以太网 VPN（BGP 承载） |
| VTEP | VXLAN Tunnel End Point |
| VNI | VXLAN Network Identifier |
| SR | Segment Routing（SR-MPLS/SRv6） |
| NCCL | NVIDIA Collective Communications Library |
| RCCL | 华为集合通信库（昇腾） |
| Scale-up | 机内扩展（NVLink/HCCS） |
| Scale-out | 机间扩展（网络互联） |
| DPU | Data Processing Unit，数据处理单元 |
| GSE | 全调度以太网（中国移动） |
| UEC | Ultra Ethernet Consortium，超以太网联盟 |
| NVMe-oF | NVMe over Fabrics |
| Telemetry | 遥测（推模式监控） |
| AIOps | 智能运维（AI for IT Operations） |
附录 E 学习进度追踪表
| 章节 | 核心程度 | 计划完成日期 | 实际完成 | 要点笔记（3 条） |
|---|---|---|---|---|
| 第 1 章 导论 | ★★☆ | |||
| 第 2 章 网络原理 | ★★★ | |||
| 第 3 章 路由交换进阶 | ★★★ | |||
| 第 4 章 DC 架构 | ★★★ | |||
| 第 5 章 VXLAN | ★★★ | |||
| 第 6 章 BGP-EVPN | ★★★ | |||
| 第 7 章 SR | ★★☆ | |||
| 第 8 章 可靠性运维 | ★★☆ | |||
| 第 9 章 RDMA 基础 | ★★★ | |||
| 第 10 章 RoCEv2 | ★★★ | |||
| 第 11 章 无损拥塞控制 | ★★★ | |||
| 第 12 章 超以太网/GSE | ★★☆ | |||
| 第 13 章 存储网络 | ★★☆ | |||
| 第 14 章 集合通信 | ★★★ | |||
| 第 15 章 集群架构 | ★★★ | |||
| 第 16 章 智算网络设计 | ★★★ | |||
| 第 17 章 调优排障 | ★★★ | |||
| 第 18 章 自动化基础 | ★★★ | |||
| 第 19 章 可编程性 | ★★★ | |||
| 第 20 章 AIOps | ★★☆ | |||
| 第 21 章 云原生网络 | ★★☆ | |||
| 第 22 章 认证对标 | ★★☆ | |||
| 第 23 章 实验与项目 | ★★★ | |||
| 第 24 章 求职发展 | ★☆☆ |
版本记录
- v1.0（本版）：初版发布。依据信通院/工信部/ODCC/Cisco/NVIDIA 公开资料编撰，书单映射完整，适配大二-专升本-本科毕业三年半周期。
- 后续建议：每学期更新一次，同步 UEC/GSE 标准进展与信通院年度报告数据。
- 欢迎交流学习，以上内容按本人情况调整
更多推荐
7
0- 0
已为社区贡献1条内容
所有评论(0)