另一項重要變化,是降低 FIB rule 操作對全域 RTNL 鎖的依賴,涉及 RTM_NEWRULE 和 RTM_DELRULE 等操作。對同時管理多個 network namespace 的系統而言,這有助於避免所有路由規則更新都被同一個全域序列化點卡住,讓不同 namespace 的操作有更多平行處理空間。
目前資料能確認這項設計是為了改善並行能力,但沒有提供可靠、精確的 IPv4 或 IPv6 benchmark 加速幅度。因此,任何具體百分比或倍數都超出現有證據可以支持的範圍。
這次網路 pull request 也擴大了硬體與協定支援範圍:
Kicinski 與 Abeni 表示,這次網路 pull request 合併了 632 個 net patch 和 648 個 net-next patch,合計 1,280 個。他們也提醒,單純計算 patch 數量並不能反映完整的審查負擔;以「快速而粗略」的估算來看,net-next 中約三分之一至一半似乎是由 AI 驅動的低優先級修正、程式碼清理或說明性變更。
這並不只是 AI 會產生程式碼的問題。透過 AI 協助,貢獻者也能以極低成本大量產生看似合理的解釋、錯誤報告與 review 請求。每一項變更仍需要人類維護者判斷:它是否有必要、是否正確、是否安全,以及是否值得合併。
壓力也反映在更廣泛的投稿量上。在一段 9 天的期間內,網路子系統收到 405 個標記為 [PATCH net][PATCH net-next]
團隊也計畫讓模型處理更多例行工作,包括:
這種做法將 LLM 定位為工作流程助理,而不是取代子系統維護者。對涉及並行處理的核心程式碼而言,兩者差異尤其重要。維護者特別提到 PCIe 錯誤與 timeout 等罕見事件路徑:這些情境中的競態條件往往取決於時序,難以重現,也難以證明不存在。LLM review 或許能找出可疑模式,但無法可靠地為每一種罕見交錯執行狀態建立正確性保證。
同樣地,RTNL 相關改動的確是為了改善多個 network namespace 平行操作 FIB rule 的能力,但現有資料不支持精確的 IPv4 或 IPv6 效能數字。較穩妥的結論是:減少全域鎖競爭,應能讓高度平行的 namespace 管理工作負載擁有更大的擴展空間;實際增益仍取決於工作模式與系統配置。