RDMA异步错误处理：异步事件与错误恢复一、一个让我熬夜到凌晨三点的bug去年做分布式存储项目，集群跑了一周突然出现间歇性IO超时。排查了三天，网卡固件、交换机配置、驱动版本全查了一遍，最后发现是RDMA异步事件处理线程里漏了一个关键的错误码检查——CQ（完成队列）上报了IBV_WC_RETRY_EXC_ERR，但我的处理逻辑直接把它当成正常完成事件跳过了。结果就是QP（队列对）状态已经变成IBV_QPS_ERR，但上层应用还在傻等数据。这个教训让我意识到：RDMA的错误处理不是“锦上添花”，而是“保命机制”。今天这篇笔记，就把我踩过的坑和总结的实战经验掰开揉碎了讲清楚。二、异步事件：RDMA的“心跳监测”RDMA的错误通知机制分两层：异步事件（Asynchronous Event）和工作完成（Work Completion）。前者是网卡主动上报的“系统级警报”，后者是每个操作执行后的“任务回执”。2.1 异步事件通道的初始化structibv_async_eventevent;
