Unifabric 概述¶
Unifabric 是一款面向 高性能计算（HPC）与 AI 云平台 的 RDMA 网络可观测性与自动化运维平台 。它专为 RDMA 网络环境（如 RoCE）设计，帮助用户实现从底层链路到上层计算节点的 网络拓扑可视化、性能监控分析与智能诊断 。
Unifabric 致力于解决 RDMA 网络“看不见、查不出、调不准”的痛点，助力用户：
- 全局掌握网络拓扑结构与实时状态
- 快速定位延迟、丢包、拥塞等性能瓶颈
- 构建稳定、高效、可扩展的 RDMA 网络基础设施
快速部署¶
Unifabric 基于 Kubernetes 原生架构，提供标准 Helm Chart，支持在任意兼容 Kubernetes 集群中快速部署。
平台由两部分组成：
| 组件 | 职责 |
|---|---|
| Controller | 负责拓扑构建与交换机数据采集 |
| Agent | 部署在每台主机上，采集节点 RDMA 状态与链路信息 |
核心能力一览¶
1. RDMA 网络全景拓扑¶
- 自动构建 Spine-Leaf-节点 分层拓扑
- 动态展示交换机、计算节点、存储设备之间的连接关系
- 支持链路健康状态实时变更，断链自动感知
2. 超节点组可视化¶
- 支持按逻辑超节点分组展示 GPU 计算集群内部结构
- 展示组内节点间 GPU RDMA 网络拓扑
- 支持点击链路查看性能指标，辅助问题定位
3. 网络监控与链路分析¶
- 实时采集交换机端口状态、带宽、利用率、错误码等指标
- 支持查看链路的 RX/TX 带宽、拥塞（CE）、错误（UE）等数据
- 提供链路性能分析视图，支持链路历史趋势分析
4. 自动分组与智能诊断¶
- 基于 LLDP + RDMA 拓扑，自动将网络结构一致的节点分组
- 检测链路异常、网卡状态异常、节点间链路不一致等问题
- 支持节点健康度评估与标签标注，辅助调度系统优化资源使用
功能亮点总览¶
| 模块 | 能力描述 |
|---|---|
| 拓扑可视化 | 分层展示 Spine / Leaf / 计算节点 / 存储设备拓扑 |
| 链路状态自动感知 | 实时更新网络连接状态，断链自动隐藏 |
| 节点监控 | 展示 GPU 节点状态、RDMA 网卡数量、带宽使用情况 |
| 交换机监控 | 支持算力交换机与存储交换机的端口状态、带宽、利用率展示 |
| 链路性能分析 | 查看任意链路的实时带宽、CE/UE 错误、互联 GPU 信息 |
| 超节点组视图 | 展示组内节点互联结构，支持点击查看链路详情 |
| 多集群支持 | 支持多 Kubernetes 集群统一接入和跨集群网络视图 |
| Grafana 集成 | 内置监控仪表盘，支持自定义图表与指标查询 |
| 自动分组 | 基于网络拓扑自动将节点划分为可调度分组 |
| 故障诊断辅助 | 发现链路异常、交换机端口异常、节点连接不一致问题 |
应用场景¶
Unifabric 适用于以下典型场景：
- AI 模型训练平台：监控 GPU 节点间通信链路，提升训练效率
- 高性能计算集群（HPC）：及时发现网络瓶颈，保障计算任务稳定运行
- RDMA 存储接入场景：监控 GPU 与存储设备之间的 RDMA 通道健康性
- 多租户 AI 云平台：支持多集群资源同步接入，统一展示网络状态
为什么选择 Unifabric？¶
- 专为 RDMA 网络打造，支持 RoCE 协议和 LLDP 拓扑发现
- 全生命周期可观测性：从节点、链路、交换机到拓扑自动识别
- Kubernetes 原生集成：支持 CRD 管理，自动化运维
- 丰富的监控指标：内置 Prometheus & Grafana 支持
- 智能分组与诊断引擎：助力网络性能调优和资源调度优化
下一步？¶
想了解如何部署？ 请查看安装指南
想了解如何采集和监控链路指标？ 查看延时监控使用指南