2026 年度,截止到 9 月底,我们团队已有 23 名工程师贡献的 198 个代码提交被 Linux 社区维护分支接收,覆盖内存管理、调度、文件系统与 I/O、RISC-V、虚拟化、IOMMU、网络、性能工具和内核测试等方向。同时,我们还参与了 113 个社区补丁的审阅与推进。从贡献自己的方案,到帮助其他开发者完善方案,这些工作共同构成了我们参与 Linux 内核社区的完整实践。
一、从生产问题出发,让通用能力进入 Linux
1. 从 16.7 毫秒到 1.56 毫秒:让等待 IPI 的过程恢复可抢占
在延迟敏感型业务中,任务能否及时获得 CPU,直接影响服务的长尾表现。即使一个实时任务拥有很高的调度优先级,如果当前 CPU 长时间处于不可抢占状态,它仍然只能等待。
我们在生产环境的 DPDK 工作负载中发现,部分 CPU 会出现毫秒级甚至十毫秒级的长时间不可抢占事件。进一步分析表明,其中的大部分长尾来自进程退出、内存释放等路径触发的远程 TLB 刷新。
在 x86 系统中,远程 TLB 刷新通常通过处理器间中断,也就是 IPI,通知其他 CPU 执行操作。Linux 原有的 smp_call_function 系列接口会在准备请求、发送 IPI,以及等待远端 CPU 完成的整个过程中关闭抢占。如果远端 CPU 暂时关闭中断,或者系统中需要等待的 CPU 较多,发起任务可能在不可抢占状态下等待数毫秒甚至更久。
原有流程可以简化为:
真正依赖当前 CPU 的,主要是目标选择、请求构造和 IPI 发送阶段。等待远端完成时,任务本身并不必然继续绑定在原 CPU 上。
围绕这一观察,我们提交了由 14 个补丁组成的系列,重新划分跨 CPU 调用中的抢占边界:在请求完成入队和发送后恢复抢占,让同步等待阶段变得可抢占、可迁移。
git clone git@github.com:volcengine/SearchCLI.git vs cd vs bash ./scripts/install.sh npx skills add "git@github.com:volcengine/SearchCLI.git" -y -g vs auth login vs doctor --json
Agent可以通过以下指令进行调优:
vs search tune validate --queries ./queries.jsonl --json vs search tune plan \ --application-id <application-id> \ --dataset-id <dataset-id> \ --queries ./queries.jsonl \ --profile similarity-only \ --optimizer spa \ --json vs search tune run \ --application-id <application-id> \ --dataset-id <dataset-id> \ --queries ./queries.jsonl \ --profile similarity-only \ --optimizer spa \ --label-source llm \ --json vs search tune report --run-id <run-id> --json
“帮我查看当前爬虫任务、Connector 数据接收任务,以及 Viking AI Search 导入任务的状态。”
爬虫调度器在后台稳稳跑着,Connector 的同步游标在慢慢往前走,每一批新爬回来的内容都会被自动送进 Viking AI Search 建好索引。他不用再操心"今天有没有新内容进来"这件事了。
第三步:体验产品
等第一批数据索引完成,小 V 很快就使用 Agent 搭出了属于自己的前沿技术雷达页面。
Viking AI Search 已经把最核心的三种能力都准备好了——个性化推荐、全文语义搜索、多轮智能问答,这三种能力是天然打通的。Agent 只需要基于这三个接口做一层简单的前端封装,就能快速搭出一个能用的业务入口:每天打开能看到按关注方向推荐的新内容,想找特定主题可以直接搜,有疑问还能基于入库内容直接提问。
为解决这一问题,字节跳动固件团队在 OCP 社区中牵头推动 RAS API 的标准化工作,从需求定义到接口规范设计均发挥了核心驱动作用,引领异构计算故障管理体系的标准化建设。
RAS API 标准化的目标不是重新发明轮子,而是在现有厂商方案之上定义统一的接口层,让上层运维平台可以通过标准化的 API 获取故障信息、触发诊断流程、执行恢复操作,而不必关心底层厂商差异。
3.3 异构计算时代的 RAS 新挑战
异构计算的兴起给 RAS 带来了几个全新命题:
从单节点到跨数据中心
传统 RAS 关注单台服务器的故障检测和恢复。但在 AI 训练场景中,一个训练任务横跨数百甚至数千台服务器,RAS 需要从单节点视角升级到集群甚至数据中心视角——不仅要知道"哪台机器出了什么故障",还要评估"这个故障对正在运行的任务有什么影响,最优的恢复策略是什么"。
从 CPU 中心到异构协同
过去 RAS 以 CPU 为中心,GPU/NPU 等加速卡是"外围设备"。如今 XPU 成为算力主力,RAS 必须覆盖 XPU 的故障检测、错误隔离和恢复,而 XPU 的故障模式与 CPU 有显著差异。
AI 驱动的故障预测
基于历史故障数据和运行时遥测信息,利用 AI 技术进行故障预测,是 RAS 演进的重要方向。标准化的 RAS API 为构建统一的数据采集层提供了基础,使得 AI 故障预测模型可以获取到一致、高质量的训练数据。这与第二节中 Agent 框架的理念遥相呼应——AI 的价值不在于替代人工,而在于将数据转化为可行动的智能决策。