在 RDMA 网络中，Swift 并非传统意义上的传输层协议，而是一套为弹性计算场景设计的RDMA 控制面优化方案。它核心是通过缓存优化和进程资源共享技术，解决 RDMA 与弹性计算（如无服务器架构）融合时控制面连接建立慢、资源共享难的瓶颈，进而提升 RDMA 在短生命周期任务场景中的性能，下面结合其定义、核心设计及实例详解工作原理：
核心定义与设计目标
RDMA 虽能通过内核旁路、零拷贝实现高吞吐低延迟数据传输，但在弹性计算中，任务多为短生命周期且频繁启停，每次任务启动都需初始化 RDMA 控制面（如创建队列对 QP、协商内存密钥等），这一过程会产生显著开销，成为性能瓶颈。Swift 的设计目标就是简化 RDMA 控制面操作，具体通过两大核心思路实现：一是用缓存优化加速用户态 RDMA 连接建立；二是利用进程 fork 机制实现 RDMA 资源高效共享，最终在 OpenWhisk 等无服务器框架中适配，降低延迟并提升吞吐量。
工作原理及实例
Swift 针对弹性计算中常见的冷启动、热启动、fork 启动三种任务场景，设计了差异化的优化逻辑，以下结合 "无服务器 AI 推理集群" 实例具体说明：
- 冷启动任务：缓存优化初始化控制面冷启动指任务首次执行，此时无任何 RDMA 连接资源缓存。Swift 通过优化后的 libibverbs 库（RDMA 的用户态编程接口库）实现缓存预配置。比如在 AI 推理集群中，当首个推理任务下发到节点时，Swift 会将此次初始化的 RDMA 关键配置（如保护域 PD、内存区域 MR 的密钥信息、队列对 QP 的基础参数）缓存到本地。后续同类型推理任务再启动时，无需重新执行完整的控制面协商流程，直接复用缓存的配置信息，大幅缩短初始化时间。例如某图像识别任务冷启动时，RDMA 控制面初始化耗时原本 50 微秒，经 Swift 缓存优化后可压缩至 15 微秒左右。
- 热启动任务：直接复用缓存资源热启动指任务曾执行过，存在可复用的 RDMA 连接资源。此时 Swift 会直接调用之前缓存的 RDMA 控制面资源，无需任何额外初始化操作。比如上述图像识别任务执行完成后，节点保留了其 RDMA 连接的缓存。当 10 秒后另一批相同格式的图像推理任务到达时，Swift 直接复用缓存的内存密钥和队列对，任务可瞬间启动 RDMA 数据传输，用于读取远程节点的模型参数和输入数据，这一过程控制面开销几乎可忽略，比无 Swift 优化的方案延迟降低 18%-37%。
- fork 启动任务：借助 fork 机制共享资源当弹性计算中通过 fork 创建子进程扩展任务时，Swift 利用 RDMA 的 fork 兼容能力实现资源共享。例如在集群中，某批量文本分类任务通过 fork 生成多个子进程并行处理不同文本片段。Swift 让父进程的 RDMA 资源（如已建立的连接、注册的内存区域）自动共享给子进程，子进程无需单独初始化 RDMA 控制面。比如父进程已完成与远程模型存储节点的 RDMA 连接，子进程可直接通过该连接读取文本分类模型，避免重复创建连接带来的开销，同时 Swift 能确保资源共享时的隔离性，防止不同子进程的数据传输冲突。
最终效果
在上述 AI 推理集群实例中，Swift 通过三类场景的优化，相比传统 RDMA 适配方案，不仅使集群的平均吞吐量提升 30.56%-46.50%，还将控制面开销控制在 6.5%，很好地适配了弹性计算中任务动态伸缩的需求，尤其适合大规模 AI 训练、分布式数据库等依赖 RDMA 且任务频繁启停的场景。