一次深夜的丢包排查凌晨两点，机房告警灯闪烁。客户反馈HPC集群的MPI作业频繁超时，检查应用日志发现RDMA通信偶发重传。我登录管理节点，第一件事就是敲下ibdiagnet——这个命令我闭着眼都能打出来，但每次执行时心里还是会默念一句“别给我报错”。输出结果里，Errors字段赫然显示某个端口的CRC错误计数在增长。顺着ibnetdiscover导出的拓扑图，我定位到一根光模块的链路质量异常。换掉模块后，问题消失。这不是什么高深的技术，但如果没有这两个工具，你可能会在应用层排查到天亮。ibdiagnet：网络健康诊断的瑞士军刀ibdiagnet是Mellanox（现NVIDIA）提供的InfiniBand网络诊断工具，它不像ibstat那样只查本地状态，而是对整个子网管理器管理的网络做全面体检。我习惯在部署新集群或怀疑网络问题时，先跑一遍完整扫描：ibdiagnet-r-lw-c1000这里-r