InfiniBand 子网管理怎么做冗余：主备、分区与变更边界

InfiniBand 子网管理器负责发现拓扑、配置路径和维护子网运行。计算链路全部 Up，并不代表没有管理面单点；当唯一管理实例或其主机失效时，现有流量与拓扑变化的行为需要按实际实现验证。

冗余设计应说明候选管理实例、优先级、配置来源、分区策略、日志和故障切换，而不是只启动两个进程。主备配置不一致可能在切换后改变路径或访问边界。

先确定管理实例放在哪里

列出交换机内置、独立服务器或管理平台上的子网管理能力，确认每个实例的支持范围和网络可达性。候选实例应避免共享同一电源、主机或管理路径。

管理服务器自身需要带外访问、时间同步、日志和监控。计算网络异常时，运维仍要能够检查主备状态。

配置与分区使用单一事实源

主备实例应从受控配置源生成，保持子网前缀、路由策略、分区、密钥和相关参数一致。人工分别编辑两份配置容易在维护后产生漂移。

分区变更要列出成员、权限和受影响业务，并在验证环境检查。管理器切换不应意外放宽或阻断租户访问。

监控关注角色与拓扑变化

监控当前 Master、候选 Standby、切换事件、拓扑发现、端口状态和配置加载错误。只有进程存活监控，无法发现实例已失去子网访问或配置不完整。

日志时间要与交换机和服务器同步，便于把管理器切换与链路抖动、节点加入或作业错误对应。

切换测试覆盖稳定与变化状态

在现有作业运行时停止主实例，观察业务、角色选举和告警；再在节点加入、端口故障或拓扑变化期间测试，确认备用实例能够继续处理变化。

记录切换时间、路径重算、端口状态和应用影响。测试后确认原主恢复时不会反复抢占或造成配置回退。

升级时避免同时失去两个实例

升级前备份配置并确认备用实例健康，先维护非主实例，验证后再切换角色和维护另一侧。交换机固件、管理器和驱动兼容范围按官方资料核对。

回滚步骤应包含二进制、配置和角色恢复。维护完成后复用拓扑、分区、RDMA 与业务测试，不能只看 Master 状态。

交付文档要能重建管理平面

交付至少保存实例位置、版本、优先级、配置源、分区、密钥管理方式、监控和切换记录。敏感信息不写入普通文档，但恢复人员要知道受控获取路径。

在备用主机上演练从备份恢复管理实例，并确认不会与现网角色冲突。仅备份配置文件而没有恢复验证，不能证明可恢复。

规模变化后复核管理能力

新增交换机、端口或分区会增加拓扑和配置规模。扩容前确认管理实例资源、版本和支持范围，避免数据面扩容完成后才发现管理端处理不足。

大规模变更分批执行，每批观察拓扑稳定、路径与业务，再继续下一批。出现反复选举或发现延迟时应暂停扩容并保留现场证据。