第一章：IB网络拓扑发现与可视化

各位同学，咱们今天聊点实在的。IB网络（InfiniBand）在超算和AI集群里用得越来越多，但说实话，很多运维同学对它的拓扑结构还是一头雾水。我刚开始接触IB网络时，面对几十个交换机、几百台服务器，全靠手动梳理——那叫一个痛苦。后来我琢磨出一套自动化方案，今天分享给你们。

1.1 解析ibnetdiscover输出

ibnetdiscover是IB网络最基础的诊断工具。它能把整个网络的设备、链路、端口信息全dump出来。但问题是——输出格式太原始了，全是文本，没法直接拿来用。

我给你们看个典型输出：

# ibnetdiscover 输出示例
Switch  0x0011223344556677 "SW-01" # 36 ports
    [1]  0x0011223344556688 "HCA-01" (1)
    [2]  0x0011223344556699 "HCA-02" (1)
    [3]  0x00112233445566aa "SW-02" (1)
Switch  0x00112233445566bb "SW-02" # 36 ports
    [1]  0x00112233445566cc "HCA-03" (1)
    [2]  0x00112233445566dd "HCA-04" (1)

嗯，这里要注意：每个设备都有一个唯一的LID（Local Identifier），端口号从1开始。交换机之间通过端口互联，形成树形或胖树拓扑。

1.2 构建网络拓扑数据结构

解析完原始数据后，我们需要把它变成Python能理解的结构。我个人习惯用字典+列表的组合，清晰又好维护。

看这个数据结构设计：

# 拓扑数据结构
topology = {
    "switches": {
        "SW-01": {
            "lid": "0x0011223344556677",
            "ports": {
                1: {"connected_to": "HCA-01", "port": 1},
                2: {"connected_to": "HCA-02", "port": 1},
                3: {"connected_to": "SW-02", "port": 1}
            }
        },
        "SW-02": {
            "lid": "0x00112233445566bb",
            "ports": {
                1: {"connected_to": "HCA-03", "port": 1},
                2: {"connected_to": "HCA-04", "port": 1}
            }
        }
    },
    "hosts": {
        "HCA-01": {"lid": "0x0011223344556688", "switch": "SW-01", "port": 1},
        "HCA-02": {"lid": "0x0011223344556699", "switch": "SW-01", "port": 2},
        "HCA-03": {"lid": "0x00112233445566cc", "switch": "SW-02", "port": 1},
        "HCA-04": {"lid": "0x00112233445566dd", "switch": "SW-02", "port": 2}
    }
}

为什么这么设计？因为后续做可视化、导出、故障定位时，这种结构能快速查到「某个端口连了谁」。我曾经在排查链路故障时，靠这个结构5分钟定位到问题端口，而同事还在翻Excel表格。

1.3 使用NetworkX绘制拓扑图

数据有了，接下来就是画图。NetworkX是Python里最常用的图论库，配合Matplotlib就能生成漂亮的拓扑图。

核心代码就这几行：

import networkx as nx
import matplotlib.pyplot as plt

# 创建图对象
G = nx.Graph()

# 添加节点和边
for sw_name, sw_data in topology["switches"].items():
    G.add_node(sw_name, type="switch")
    for port, conn in sw_data["ports"].items():
        target = conn["connected_to"]
        G.add_edge(sw_name, target)

# 绘制
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True, node_color='lightblue')
plt.show()

你想想看，几十个节点、上百条链路，用代码自动画出来，比手动画Visio快多少倍？我有个项目里，网络拓扑每天变化，用这套脚本每天早上自动生成最新拓扑图，运维团队直接看。

1.4 将拓扑信息导出为JSON/CSV

最后一步，把拓扑数据导出成通用格式。JSON适合程序读取，CSV适合Excel分析。

JSON导出：

import json

with open("topology.json", "w") as f:
    json.dump(topology, f, indent=2)

CSV导出（链路表）：

import csv

with open("links.csv", "w", newline="") as f:
    writer = csv.writer(f)
    writer.writerow(["source", "source_port", "target", "target_port"])
    for sw_name, sw_data in topology["switches"].items():
        for port, conn in sw_data["ports"].items():
            writer.writerow([sw_name, port, conn["connected_to"], conn["port"]])

为什么同时导出两种格式？因为不同场景需求不同。我一般把JSON给自动化系统用，CSV给运维同事做报表。有一次客户要审计，直接拿CSV导入数据库，省了我半天时间。

知识体系总览

下面这张图展示了本章的核心逻辑：从原始数据到可视化，再到导出，形成完整闭环。

说白了，这套流程就是：原始数据 → 结构化 → 可视化 → 持久化。每一步都有对应的Python工具，组合起来就是一个完整的自动化方案。

嗯，今天就到这儿。代码我都测试过，直接复制就能用。如果遇到问题，欢迎在评论区交流。咱们下章见。

---

公众号:蓝海资料掘金营，微信deep3321