RoCE无损网络必须同时满足PFC精确启停、ECN早期介入、DSCP与802.1p映射一致三个硬性条件，缺一不可；否则将导致训练中随机卡死、All-Reduce超时及NCCL错误。
RoCE 无损网络不是“配通就行”，而是必须同时满足 PFC 精确启停、ECN 早期介入、DSCP 与 802.1p 映射一致 三个硬性条件，缺一不可。否则看似连通，训练中随机卡死、All-Reduce 超时、NCCL 报 NCCL_INVALID_USAGE 或 NCCL_SYSTEM_ERROR 都是大概率事件。
确认网卡和内核是否真正支持 RoCEv2
很多用户卡在第一步：以为装了驱动就万事大吉，其实 ConnectX-3 只支持 RoCEv1，而 RoCEv1 无法跨子网，且不走 IP 层，现代分布式训练根本不能用。
- 执行
lspci | grep Mellanox，确认是 ConnectX-4/5/6（或 Intel E810+ 支持 RoCEv2 的型号） - 检查固件是否启用 RoCEv2 模式：
ibstat -p输出中port_state应为Active，且link_layer显示Ethernet；若显示InfiniBand，说明仍运行在 IB 模式 - 验证内核模块加载是否正确：
lsmod | grep -E "(rdma|mlx|ib)"中必须有ib_uverbs、rdma_rxe（仅 Soft-RoCE）、mlx5_ib（硬件 RoCE）等，且无报错 - 关键检查点：
cat /sys/class/infiniband/*/ports/*/gids/0应返回一个 IPv4 或 IPv6 地址格式的 GID，而非全零 —— 这是roce_gid_mgmt.c模块自动同步成功的标志
配置 PFC：必须按优先级粒度启用，不能全局开
PFC 不是“打开就安全”，它是逐优先级的反压机制。RoCEv2 流量默认使用 DSCP 值 46（EF），对应 802.1p 优先级 3，所以 PFC 必须只对优先级 3 启用，其他优先级（如管理流量用的优先级 0）必须禁用，否则会引发交换机缓存死锁。
- 在 Linux 主机侧，通过 DCB 工具配置：
dcbtool sc eth0 dcb on，再执行dcbtool sc eth0 pfc e:1,0,0,1,0,0,0,0—— 表示仅开启优先级 3（索引从 0 开始，第 4 位）的 PFC - 验证是否生效：
dcbtool gc eth0输出中pfc: enable 0x08（二进制00001000）才正确；若为0xff，说明所有优先级都开了，立刻回退 - 注意：PFC 必须在**两端端口（服务器 + 交换机）同时启用同一优先级**，单边开启等于没开，还会导致 PFC pause 帧被丢弃
配置 ECN：需匹配 RoCEv2 的 UDP 封装特性
ECN 在 RoCEv2 中不是作用于 IP 层本身，而是依赖网卡硬件解析 UDP 头并标记 CE 位。因此仅配置内核 net.ipv4.tcp_ecn 是无效的，必须走 RDMA 栈专用路径。
- 启用 ECN 的前提：网卡固件支持（ConnectX-5 FW ≥ 16.29.2006，需用
mlxfwmanager升级），且内核启用CONFIG_INFINIBAND_IPOIB_CM=y - 设置 ECN 参数：
echo 1 > /sys/class/infiniband/mlx5_0/ports/1/ecn/enable（路径依实际设备名调整） - 指定触发阈值（避免过早限速）：
echo 1048576 > /sys/class/infiniband/mlx5_0/ports/1/ecn/cur_thresh（单位字节，建议设为交换机端口缓存的 70%） - 验证 ECN 是否工作：用
ibstat查看端口计数器中ecn_marked字段是否随流量上升；若始终为 0，说明 ECN 未真正激活
DSCP-to-802.1p 映射错位是静默故障主因
RoCEv2 流量由内核协议栈发出时，DSCP 值（如 46）需被网卡硬件准确映射为 802.1p 优先级（3）。一旦映射表错位，PFC 和 ECN 就完全失效 —— 流量走了“高优先级”通道，但控制策略却绑在“低优先级”上。
- 查看当前映射：
tc qdisc show dev eth0，确认存在handle ffff: prio类，并用tc class show dev eth0检查 band 3 是否绑定到 DSCP 46 - 手动修正映射（以 Mellanox 为例）：
mlxconfig -d /dev/mst/mt4115_pciconf0 set ROCE_DSCP_TO_PCP_MAP=0,0,0,3,0,0,0,0—— 表示 DSCP 3（即十进制 24）映射到 PCP 3，但 RoCEv2 实际用 DSCP 46（二进制 101110），所以要算准位移：46 ÷ 8 = 5 余 6 → 第 6 个字节位置填 3 - 最稳妥方式：直接在交换机侧统一用 DSCP 46 标记 RoCE 流量，并关闭主机侧所有软件 QoS，让硬件接管全部映射
真正难的不是敲完命令，而是确认每一层映射都对齐：DSCP 值 → 802.1p 优先级 → PFC 开关位 → ECN 触发门限 → 交换机缓存水位。任何一层偏移，都会让“无损”变成“间歇性丢包”，而这种丢包在 NCCL 日志里往往只体现为超时重试，不会直接报错。
