PCI-E Switch芯片，估計不少人已經(jīng)聽說過這個東西了。但是估計多數(shù)人對其基本功能知之甚少。PCI-E Switch作為最先進的生產(chǎn)力，已經(jīng)被廣泛應(yīng)用在了傳統(tǒng)存儲系統(tǒng)，以及少量品牌/型號的服務(wù)器平臺。

冬瓜哥作為擁有全球最領(lǐng)先PCI-E Switch產(chǎn)品的Microsemi公司的系統(tǒng)架構(gòu)師，想在這里為大家普及一下PCI-E Switch的基本知識。

背景介紹

PCI-E大家都了解，主板上有PCI-E槽，里面的金手指就是一堆信號線，其直接被連接到了CPU內(nèi)部的PCI-E控制器上。然而，當(dāng)前的Intel平臺CPU每顆最大支持40個通道（Lane），一般來講萬兆網(wǎng)卡使用8個通道即可，高端顯卡需要x16通道因為在3D運算時需要的吞吐量巨大（冬瓜哥的PC使用了老主板來配了塊GTX980顯卡，只能運行在x8模式上，但是3D性能基本沒什么變化，證明x8基本已經(jīng)足夠）。一般的存儲卡也使用x8，但是后端12Gb/s SAS存儲卡（HBA卡、Raid卡）普遍過渡到了x16。

但是，對于一些高端產(chǎn)品來講，尤其是那些傳統(tǒng)存儲系統(tǒng)，每顆CPU提供x40個通道就顯得不夠用了。傳統(tǒng)存儲系統(tǒng)的一個特殊要求就是后端和前端HBA數(shù)量比較大，所以CPU自帶的通道數(shù)量無法滿足。另外，傳統(tǒng)存儲控制器之間需要做各種數(shù)據(jù)交換和同步，一般也是用PCI-E，這又增加了對通道數(shù)量的消耗。

對于一般的高端服務(wù)器，普遍都是雙路、四路配置，雙路下提供x80通道，理論上可連接10個x8的PCI-E設(shè)備，去掉一些用于管理、內(nèi)部嵌入式PCI-E設(shè)備的通道占用之后，連接8個設(shè)備不在話下，可以覆蓋幾乎所有應(yīng)用場景。

但是，**隨著用戶對融合、統(tǒng)一、效率、空間、能耗要求的不斷提升，近年來出現(xiàn)了不少高密度模塊化服務(wù)器平臺，或者說，開放式刀片。這類服務(wù)器平臺對PCI-E方面產(chǎn)生了一些特殊需求，比如Partition和MR-IOV。**下面，冬瓜哥就詳細展開介紹這些知識。

基本功能

1.Fanout

Fanout（擴展、擴開、散開的意思）是PCI-E switch的基本功能，或者說，PCI-E標準體系一開始就是應(yīng)對通道數(shù)量不夠用才設(shè)計了PCI-E Switch這個角色。

在PCI-E之前的一代標準是PCI-X，那時候并沒有Switch的概念，F(xiàn)anout采用的是橋接的形式，形成一個樹形結(jié)構(gòu)，如上圖中間所示。**Switch的概念是在PCI-E時代引入的，其相對于橋最大的一個本質(zhì)區(qū)別就是同一個Bus內(nèi)部的多個角色之間采用的是Switch交換而不是Bus。**PCI-X時代真的是使用共享Bus傳遞數(shù)據(jù)，這就意味著仲裁，意味著低效率。

然而，PCI-E保留了PCI-X體系的基本概念，比如依然沿用“Bus”這個詞，以及“橋/Bridge”這個詞，但是這兩個角色都成為了虛擬角色。一個Switch相當(dāng)于一個虛擬橋+虛擬Bus的集合體，每個虛擬橋（VB）之下只能連接一個端點設(shè)備（也就是最終設(shè)備/卡，End Point/EP）或者級聯(lián)另外一個Switch，而不能連接到一個Bus，因為物理Bus已經(jīng)沒了。這種Fanout形式依然必須遵循樹形結(jié)構(gòu)，因為樹形結(jié)構(gòu)最簡單，沒有環(huán)路，不需要考慮復(fù)雜路由。

2.Partition

分區(qū)功能相當(dāng)于以太網(wǎng)Switch里的Vlan，相當(dāng)于SAS Switch/Expander里的Zone。

如上圖所示，兩臺或者多臺機器，可以連接到同一片PCI-E Switch，在Switch做分區(qū)配置，將某些EP設(shè)備分配給某個服務(wù)器。這樣可以做到統(tǒng)一管理，靈活分配。每臺服務(wù)器的BIOS或者OS在枚舉PCI-E總線時只會發(fā)現(xiàn)分配給它的虛擬橋、虛擬BUS、和EP。多個分區(qū)之間互不干擾。

**多臺獨立服務(wù)器連接到同一片Switch上，如果不做Partition，是會出現(xiàn)問題的，**因為兩個OS會分別枚舉同一堆PCI-E總線內(nèi)的角色，并為其分配訪問地址，此時會出現(xiàn)沖突。

3.NTB

有些特殊場景下，比如傳統(tǒng)存儲系統(tǒng)中的多個控制器，它們之間需要同步很多數(shù)據(jù)和控制信息，希望使用PCI-E鏈路直接通信。問題是，圖中的兩臺服務(wù)器并不可以直接通信，因為必須身處兩個不同的分區(qū)中。為了滿足這個需求，出現(xiàn)了NTB技術(shù)。其基本原理是地址翻譯，因為兩個不同的系統(tǒng)（術(shù)語System Image，SI）各有各的地址空間，是重疊的。那么只要在PCI-E Switch內(nèi)部將對應(yīng)的數(shù)據(jù)包進行地址映射翻譯，便可以實現(xiàn)雙方通信。這種帶有地址翻譯的橋接技術(shù)叫做None Transparent Bridge，非透明橋。

高級功能

1.Dynamic Partition

上文中的分區(qū)配置必須是靜態(tài)配置，必須在BIOS啟動之前，也就是CPU加電之前，對PCI-E Switch進行分區(qū)配置，可以使用BMC做配置。分區(qū)配置好之后，在系統(tǒng)運行期間，不能夠動態(tài)改變。這就意味著，某個PCI-E卡如果被分配到了服務(wù)器A，則其不能在不影響服務(wù)器A和B的運行前提下，被動態(tài)重新分配到服務(wù)器B。

Microsemi公司Switchtec旗下的PCI-E Switch產(chǎn)品則支持動態(tài)分配。具體的實現(xiàn)手段冬瓜哥就不透露了。不過，對于內(nèi)行開發(fā)者來講，這些都不是問題，問題是對應(yīng)的芯片內(nèi)部的架構(gòu)是否足夠靈活可配置，這是限制高級功能設(shè)計的關(guān)鍵。

2.Fabric

上文中說過，不管是PCI-X還是PCI-E體系標準內(nèi)，只支持樹形拓撲。樹形拓撲的問題在于，路徑過長，整個網(wǎng)絡(luò)的直徑太大。另外，無法實現(xiàn)冗余，一旦某個鏈路故障，鏈路后方的分支全部無法訪問。

于是，**支持Fabric成了一個非常復(fù)雜的高級功能。這個場景目前還很少有人使用，對于整機架服務(wù)器比如天蝎等，其對這項功能興趣則比較大。**然而，目前這個技術(shù)的實現(xiàn)還非常初級不完善，也沒有形成標準。

3.IOV

SR-IOV，不少人都聽說過，但卻不知道里面具體的門道，Single Root IO Virtualization里的Root是什么意思？Single Root又何解？還有Multi Root IOV，這又是什么鬼？

SR-IOV，是指把插在一臺服務(wù)器上的一塊PCI-E卡虛擬成多塊虛擬卡，給運行在這臺服務(wù)器上的多個虛擬機用，每個虛擬機都識別到一個PCI-E卡，但是VM并不知道這個卡是虛擬出來的。

如果不虛擬成多塊卡，多個VM怎么共享這個設(shè)備？答，必須通過Hypervisor提供的服務(wù)來使用該設(shè)備。Hypervisor會在VM內(nèi)安裝一個驅(qū)動程序，這個驅(qū)動會虛擬一個并不存在的設(shè)備，比如 “XXX牌以太網(wǎng)卡”，這個驅(qū)動會真的與OS協(xié)議棧掛接上，從而接收上層下發(fā)的數(shù)據(jù)包。但是這個驅(qū)動收到數(shù)據(jù)包之后，由于根本不存在實際的網(wǎng)卡，這個驅(qū)動其實是將這個包發(fā)送給了Hypervisor，或者有些虛擬機實現(xiàn)是使用一個domain 0特權(quán)VM來負責(zé)與真實硬件打交道，那么這個驅(qū)動會將數(shù)據(jù)發(fā)送給這個特權(quán)VM，Guest VM與特權(quán)VM之間通過進程間通信來傳遞數(shù)據(jù)，Hypervisor或者特權(quán)VM收到數(shù)據(jù)之后，再通過真實的驅(qū)動，比如“Intel xxx Ethernet card”將數(shù)據(jù)包發(fā)送給真實網(wǎng)卡。

這么一轉(zhuǎn)發(fā)，就慢了，因為內(nèi)存拷貝的代價比較高，吞吐量要求如果很大的話，這種方式就不行了。于是，SR-IOV出馬解決了這個問題。SR-IOV需要直接在PCI-E卡的硬件里虛擬出多個子設(shè)備。如何做到？

首先，支持SR-IOV的PCI-E卡，需要向系統(tǒng)申請成倍的地址空間，想虛擬出幾個設(shè)備，就需要按照SR-IOV的規(guī)范格式來聲明相比原先幾倍的地址空間。這個地址空間會在內(nèi)核或者BIOS枚舉PCI-E設(shè)備的時候被獲取到，系統(tǒng)會將為該設(shè)備申請的地址空間段的基地址寫入設(shè)備寄存器。比如某網(wǎng)卡虛擬出8個虛擬網(wǎng)卡來，然后由內(nèi)核PCI-E管理模塊向系統(tǒng)申報8個PCI-E設(shè)備。隨后就是由Hypervisor將對應(yīng)的設(shè)備映射給對應(yīng)的VM，VM中加載對應(yīng)的Host Driver。Hypervisor還需要執(zhí)行地址翻譯，或者硬件輔助的地址翻譯。

只要PCI-E設(shè)備自身支持SR-IOV，PCI-E Switch不需要做任何額外處理即可原生支持。但是**MR-IOV則必須基于支持SR-IOV的板卡，加上在PCI-E switch上做額外處理才可以支持。**原因還是因為多個獨立系統(tǒng)之間是互不溝通的，如果都嘗試對PCI-E總線進行配置會沖突。PCI-E Switch針對MR-IOV的支持基本手段，還是靠增加一層地址映射管理來實現(xiàn)。

4. 組播（Multicast）

在傳統(tǒng)雙控或者多控存儲系統(tǒng)中，緩存鏡像是一個必須動作。緩存鏡像有多種方式可以實現(xiàn)。第一種，某控制器將數(shù)據(jù)讀入其自身內(nèi)存，然后使用NTB方式將數(shù)據(jù)拷貝到對方的一個或者多個控制器內(nèi)存從而實現(xiàn)鏡像。拷貝過程可以采用programmed IO方式或者DMA方式（前提是對應(yīng)的PCIE switch上提供DMA控制器）。另一種方式則是采用組播方式，底層程序員首先對整個PCIE switch域中的switch做配置，將某些端口后面的某些地址空間設(shè)置為同屬于一個組播組，這樣，凡是命中該組播組地址空間的寫操作，均被PCIE switch廣播寫入到同組內(nèi)的對應(yīng)地址上。這種方式實現(xiàn)鏡像的好處是不消耗任何Host端CPU資源。目前，PCIE Multicast這個功能，只有一家支持（支持Dynamic Partition的那家），并且只有Posted方式的返回數(shù)據(jù)才可以被組播。PCIE寫操作都是Posted，讀操作都是none posted。注意，Host讀盤的過程底層其實是盤向Host主存的PCIE寫事務(wù)，PCIE設(shè)備枚舉過程中的配置讀操作是真讀。過于底層的細節(jié)冬瓜哥就不多介紹了。

Dell PowerEdge FX2平臺對

PCI-E Switch的應(yīng)用

Dell PowerEdge FX2是一款2U多節(jié)點服務(wù)器平臺框架，其采用一個2U的Chassis機箱，最大可以容納：

2個1U Server Sled

或者1個1U Server Sled+2個1U半寬存儲Sled

或者1個1U半寬Server Sled+3個1U半寬存儲Sled

或者4個1U半寬Server Sled

或者2個1U半寬Server Sled+2個1U半寬存儲Sled

或者3個1U半寬Server Sled+1個1U半寬存儲Sled

或者8個1U四分之一寬Server Sled

多種靈活組合都可實現(xiàn)。

機箱背面有8個PCI-E槽位。

**這8個PCI-E槽位可以被靈活的分配給機箱正面的各種組合的Server Sled。這就得益于PCI-E Switch以及Partition功能的使用。**冬瓜哥畫了一張示意圖來向大家介紹一下其內(nèi)部的導(dǎo)向路徑。如下圖所示，1/2號槽位所連接的端口與服務(wù)器Sled1所連接的端口處于紅色分區(qū)之內(nèi)，3/4槽位與服務(wù)器Sled2處于黃色分區(qū)。而5/6/7/8槽位、存儲Sled、服務(wù)器Seld3則同處于藍色分區(qū)內(nèi)。意味著，服務(wù)器Sled3會識別到5/6/7/8槽位上的PCI-E卡（如有），同時識別到存儲Sled上的RAID卡。

基于Web的配置界面，通過連接到BMC，可以對整個FX2平臺所囊括的所有Sled進行全局配置，包括分配對應(yīng)的PCI-E槽位，也就是底層的對PCI-E Switch的分區(qū)操作。

通過對PCI-E Switch分區(qū)功能的靈活運用，Dell PowerEdge FX2平臺可以實現(xiàn)后面8個PCI-E設(shè)備的靈活分配，從而更好的適配日益靈活的應(yīng)用場景和業(yè)務(wù)需求。

審核編輯：劉清