697 lines
24 KiB
HTML
697 lines
24 KiB
HTML
<!doctype html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="utf-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1">
|
||
<title>6000D 双机通信与 NCCL 术语入门</title>
|
||
<style>
|
||
:root {
|
||
color-scheme: light;
|
||
--ink: #17202a;
|
||
--muted: #5f6b76;
|
||
--line: #d9dee3;
|
||
--panel: #f5f7f8;
|
||
--cyan: #087b83;
|
||
--cyan-soft: #e5f4f3;
|
||
--orange: #a64b17;
|
||
--orange-soft: #fff0e5;
|
||
--green: #287a45;
|
||
--green-soft: #eaf6ee;
|
||
--red: #a73535;
|
||
--red-soft: #fdecec;
|
||
--code: #f0f2f4;
|
||
--max: 1160px;
|
||
}
|
||
|
||
* { box-sizing: border-box; }
|
||
|
||
html { scroll-behavior: smooth; }
|
||
|
||
body {
|
||
margin: 0;
|
||
color: var(--ink);
|
||
background: #fff;
|
||
font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", "PingFang SC",
|
||
"Hiragino Sans GB", "Microsoft YaHei", sans-serif;
|
||
font-size: 16px;
|
||
line-height: 1.72;
|
||
}
|
||
|
||
header {
|
||
color: #fff;
|
||
background: #172f35;
|
||
border-bottom: 5px solid #e57932;
|
||
}
|
||
|
||
.header-inner {
|
||
max-width: var(--max);
|
||
margin: 0 auto;
|
||
padding: 46px 28px 40px;
|
||
}
|
||
|
||
.eyebrow {
|
||
margin: 0 0 8px;
|
||
color: #9ed8d5;
|
||
font-size: 13px;
|
||
font-weight: 700;
|
||
text-transform: uppercase;
|
||
}
|
||
|
||
h1, h2, h3 { letter-spacing: 0; }
|
||
|
||
header h1 {
|
||
max-width: 850px;
|
||
margin: 0;
|
||
font-size: clamp(32px, 5vw, 54px);
|
||
line-height: 1.12;
|
||
}
|
||
|
||
.header-meta {
|
||
display: flex;
|
||
flex-wrap: wrap;
|
||
gap: 10px 22px;
|
||
margin-top: 22px;
|
||
color: #d4e4e5;
|
||
font-size: 14px;
|
||
}
|
||
|
||
.layout {
|
||
display: grid;
|
||
grid-template-columns: 240px minmax(0, 1fr);
|
||
gap: 38px;
|
||
max-width: var(--max);
|
||
margin: 0 auto;
|
||
padding: 34px 28px 70px;
|
||
}
|
||
|
||
nav {
|
||
position: sticky;
|
||
top: 20px;
|
||
align-self: start;
|
||
padding-right: 20px;
|
||
border-right: 1px solid var(--line);
|
||
}
|
||
|
||
nav strong {
|
||
display: block;
|
||
margin-bottom: 10px;
|
||
font-size: 13px;
|
||
color: var(--muted);
|
||
}
|
||
|
||
nav a {
|
||
display: block;
|
||
padding: 6px 0;
|
||
color: #40515a;
|
||
font-size: 14px;
|
||
text-decoration: none;
|
||
}
|
||
|
||
nav a:hover { color: var(--cyan); }
|
||
|
||
main { min-width: 0; }
|
||
|
||
h2 {
|
||
margin: 48px 0 16px;
|
||
padding-top: 8px;
|
||
font-size: 28px;
|
||
line-height: 1.25;
|
||
border-top: 2px solid var(--ink);
|
||
}
|
||
|
||
h2:first-child { margin-top: 0; }
|
||
|
||
h3 {
|
||
margin: 30px 0 10px;
|
||
font-size: 20px;
|
||
line-height: 1.35;
|
||
}
|
||
|
||
p { margin: 10px 0; }
|
||
|
||
a { color: var(--cyan); }
|
||
|
||
code {
|
||
padding: 2px 5px;
|
||
border-radius: 3px;
|
||
background: var(--code);
|
||
font-family: "SFMono-Regular", Consolas, monospace;
|
||
font-size: .92em;
|
||
}
|
||
|
||
pre {
|
||
overflow-x: auto;
|
||
margin: 14px 0;
|
||
padding: 16px 18px;
|
||
color: #e8f1f1;
|
||
background: #1c292d;
|
||
border-left: 4px solid #4cb3ae;
|
||
border-radius: 4px;
|
||
line-height: 1.55;
|
||
}
|
||
|
||
pre code {
|
||
padding: 0;
|
||
color: inherit;
|
||
background: transparent;
|
||
}
|
||
|
||
table {
|
||
width: 100%;
|
||
margin: 16px 0 24px;
|
||
border-collapse: collapse;
|
||
font-size: 14px;
|
||
}
|
||
|
||
th, td {
|
||
padding: 11px 12px;
|
||
text-align: left;
|
||
vertical-align: top;
|
||
border: 1px solid var(--line);
|
||
}
|
||
|
||
th {
|
||
color: #26363e;
|
||
background: #eef1f3;
|
||
}
|
||
|
||
ul, ol { padding-left: 24px; }
|
||
|
||
.note, .warning, .finding, .good {
|
||
margin: 18px 0;
|
||
padding: 15px 18px;
|
||
border-left: 4px solid;
|
||
border-radius: 4px;
|
||
}
|
||
|
||
.note { background: var(--cyan-soft); border-color: var(--cyan); }
|
||
.warning { background: var(--orange-soft); border-color: var(--orange); }
|
||
.finding { background: var(--red-soft); border-color: var(--red); }
|
||
.good { background: var(--green-soft); border-color: var(--green); }
|
||
|
||
.path {
|
||
display: grid;
|
||
grid-template-columns: repeat(5, minmax(0, 1fr));
|
||
gap: 8px;
|
||
margin: 18px 0 24px;
|
||
}
|
||
|
||
.path div {
|
||
min-height: 108px;
|
||
padding: 12px;
|
||
border: 1px solid var(--line);
|
||
border-top: 4px solid var(--cyan);
|
||
background: var(--panel);
|
||
}
|
||
|
||
.path b { display: block; margin-bottom: 5px; }
|
||
|
||
.split {
|
||
display: grid;
|
||
grid-template-columns: 1fr 1fr;
|
||
gap: 18px;
|
||
margin: 18px 0;
|
||
}
|
||
|
||
.split section {
|
||
padding: 16px 18px;
|
||
border: 1px solid var(--line);
|
||
border-radius: 4px;
|
||
}
|
||
|
||
.split h3 { margin-top: 0; }
|
||
|
||
.metric {
|
||
font-variant-numeric: tabular-nums;
|
||
white-space: nowrap;
|
||
}
|
||
|
||
footer {
|
||
padding: 26px 28px 40px;
|
||
color: var(--muted);
|
||
text-align: center;
|
||
border-top: 1px solid var(--line);
|
||
}
|
||
|
||
@media (max-width: 900px) {
|
||
.layout { grid-template-columns: 1fr; }
|
||
nav {
|
||
position: static;
|
||
padding: 0 0 18px;
|
||
border-right: 0;
|
||
border-bottom: 1px solid var(--line);
|
||
}
|
||
nav a { display: inline-block; margin-right: 14px; }
|
||
.path { grid-template-columns: 1fr; }
|
||
.split { grid-template-columns: 1fr; }
|
||
}
|
||
|
||
@media print {
|
||
nav { display: none; }
|
||
.layout { display: block; max-width: none; }
|
||
header { color: #000; background: #fff; border-bottom-color: #000; }
|
||
.header-meta, .eyebrow { color: #333; }
|
||
pre { color: #000; background: #f4f4f4; }
|
||
}
|
||
</style>
|
||
</head>
|
||
<body>
|
||
<header>
|
||
<div class="header-inner">
|
||
<p class="eyebrow">Two-node communication primer</p>
|
||
<h1>6000D 双机通信与 NCCL 术语入门</h1>
|
||
<div class="header-meta">
|
||
<span>节点：174.1.51.5 + 174.1.51.7</span>
|
||
<span>规模：16 GPU / TP16</span>
|
||
<span>版本：2026-07-30 17:54 CST</span>
|
||
</div>
|
||
</div>
|
||
</header>
|
||
|
||
<div class="layout">
|
||
<nav aria-label="目录">
|
||
<strong>阅读顺序</strong>
|
||
<a href="#mental-model">1. 一张总图</a>
|
||
<a href="#names">2. 设备名字</a>
|
||
<a href="#glossary">3. 核心术语</a>
|
||
<a href="#bootstrap">4. Bootstrap</a>
|
||
<a href="#parameters">5. NCCL 参数</a>
|
||
<a href="#logs">6. 日志怎么读</a>
|
||
<a href="#incident">7. 本次事故</a>
|
||
<a href="#checklist">8. 排查清单</a>
|
||
<a href="#sources">9. 官方资料</a>
|
||
</nav>
|
||
|
||
<main>
|
||
<h2 id="mental-model">1. 先建立一张总图</h2>
|
||
<p>
|
||
SGLang 不会自己搬运 16 张 GPU 之间的 Tensor。模型代码发起 TP/MoE 通信，
|
||
NCCL 决定用什么算法、经过哪条链路把数据送到其他 rank。
|
||
</p>
|
||
|
||
<div class="path" aria-label="通信路径">
|
||
<div><b>SGLang</b>执行模型层、TP16 和 EP2</div>
|
||
<div><b>Collective</b>AllReduce、AllGather、ReduceScatter、AllToAll</div>
|
||
<div><b>NCCL</b>构造 rank、ring/tree 和 channel</div>
|
||
<div><b>Transport</b>机内 P2P/IPC；跨机 NET/IB 或 NET/Socket</div>
|
||
<div><b>硬件</b>GPU、PCIe、HCA、网卡、光模块、交换机</div>
|
||
</div>
|
||
|
||
<div class="note">
|
||
<strong>最重要的区分：</strong>
|
||
<code>NCCL bootstrap</code> 是“启动时要完成的一件事”；
|
||
<code>NCCL_SOCKET_IFNAME</code> 是“选择 IP 网卡的一个参数”；
|
||
<code>NET/IB</code> 和 <code>NET/Socket</code> 才是 NCCL 实际搬运数据的传输后端。
|
||
</div>
|
||
|
||
<h3>两类跨机路径</h3>
|
||
<div class="split">
|
||
<section>
|
||
<h3>理想路径：RDMA</h3>
|
||
<p><code>GPU → HCA → RoCE 网络 → HCA → GPU</code></p>
|
||
<p>日志应出现 <code>NET/IB</code>，支持时还会出现 <code>GDRDMA</code>。</p>
|
||
</section>
|
||
<section>
|
||
<h3>回退路径：TCP Socket</h3>
|
||
<p><code>GPU/CPU → Linux Socket → ethX → TCP/IP → ethX</code></p>
|
||
<p>日志会出现 <code>Using network Socket</code>。这不是报错，但性能通常低得多。</p>
|
||
</section>
|
||
</div>
|
||
|
||
<h2 id="names">2. eth0 和 mlx5_0 不是同一个设备</h2>
|
||
<div class="note">
|
||
<strong>400G 是物理 Ethernet 端口的标称链路速率。</strong>
|
||
<code>eth0</code> 是该端口的 Linux netdev/IP 入口；
|
||
<code>mlx5_0</code> 是映射到该端口的 RDMA Verbs/HCA 入口。
|
||
二者相关联，但不相等，也不代表 TCP 或 RDMA 应用一定能跑到 400G。
|
||
</div>
|
||
<table>
|
||
<thead>
|
||
<tr><th>名字</th><th>属于哪一层</th><th>负责什么</th><th>本机实例</th></tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><code>eth0</code></td>
|
||
<td>Linux IP 网卡接口</td>
|
||
<td>配置 IP、TCP/UDP、路由；由 <code>NCCL_SOCKET_IFNAME</code> 选择</td>
|
||
<td>400 Gbit/s 计算网</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>eth3</code></td>
|
||
<td>Linux IP 网卡接口</td>
|
||
<td>第二条计算网 Rail</td>
|
||
<td>400 Gbit/s 计算网</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>mlx5_0</code></td>
|
||
<td>RDMA HCA / Verbs 设备</td>
|
||
<td>供 <code>NET/IB</code> 使用；由 <code>NCCL_IB_HCA</code> 选择</td>
|
||
<td>对应 <code>eth0</code>，挂 switch 1</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>mlx5_3</code></td>
|
||
<td>RDMA HCA / Verbs 设备</td>
|
||
<td>第二条 RDMA Rail</td>
|
||
<td>对应 <code>eth3</code>，挂 switch 2</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>/dev/infiniband/uverbs0</code></td>
|
||
<td>Linux 字符设备</td>
|
||
<td>容器进程访问 RDMA Verbs 的入口</td>
|
||
<td>对应 <code>mlx5_0</code></td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
|
||
<pre><code>mlx5_0 port 1 ==> eth0 (Up)
|
||
mlx5_3 port 1 ==> eth3 (Up)</code></pre>
|
||
|
||
<p>
|
||
同一条物理端口可以同时暴露 Linux IP 接口和 RDMA HCA。
|
||
<code>eth0</code> 是 IP/Socket 世界的入口，<code>mlx5_0</code> 是 RDMA
|
||
Verbs 世界的入口。<code>ibdev2netdev</code> 输出的是映射关系，不是等号。
|
||
本项目部署时只把 <code>eth0/eth3</code> 作为节点间计算网。
|
||
</p>
|
||
<pre><code>同一条 400G 物理 Ethernet 端口
|
||
├── eth0 -> Linux netdev -> IP / TCP Socket
|
||
└── mlx5_0 -> RDMA HCA -> RoCE / Verbs / GDRDMA</code></pre>
|
||
<p>
|
||
<code>400 Gbit/s = 50 GB/s</code> 只是单方向理论线速。协议开销、PCIe、
|
||
CPU、Socket 线程、消息大小和 collective 算法都会让实际
|
||
<code>algbw/busbw</code> 低于或采用不同统计口径。
|
||
</p>
|
||
|
||
<h2 id="glossary">3. 核心术语字典</h2>
|
||
<table>
|
||
<thead>
|
||
<tr><th>术语</th><th>通俗解释</th><th>在本项目中的意义</th></tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><strong>NCCL</strong></td>
|
||
<td>NVIDIA 的多 GPU 通信库，负责高效实现 collective 和点对点通信。</td>
|
||
<td>SGLang TP16 每层跨 GPU 通信最终大量落到 NCCL。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>rank</strong></td>
|
||
<td>一个通信参与者的编号。TP16 communicator 有 rank 0–15。</td>
|
||
<td>两台机器各 8 个 GPU rank，共 16 个。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>collective</strong></td>
|
||
<td>一组 rank 共同参与的通信操作。</td>
|
||
<td>TP 常见 AllReduce、AllGather、ReduceScatter；MoE 还可能有 AllToAll。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>RDMA</strong></td>
|
||
<td>远端直接内存访问。网卡可直接读写远端内存，减少 CPU 和内核数据拷贝。</td>
|
||
<td>双机 TP16 希望使用的高速数据路径。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>IB</strong></td>
|
||
<td>InfiniBand。既是一套高速网络体系，也常被 NCCL 用作 Verbs/RDMA 后端的统称。</td>
|
||
<td>NCCL 日志里的 <code>NET/IB</code> 也可承载 RoCE，不代表交换机一定是原生 IB。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>RoCE</strong></td>
|
||
<td>RDMA over Converged Ethernet，在以太网上承载 RDMA。</td>
|
||
<td>本项目的 400G 计算网类型。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>HCA</strong></td>
|
||
<td>Host Channel Adapter，提供 RDMA 能力的适配器。</td>
|
||
<td><code>mlx5_0</code>、<code>mlx5_3</code>。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>GDRDMA</strong></td>
|
||
<td>GPUDirect RDMA，让 HCA 直接访问 GPU 显存，减少经 CPU 内存中转。</td>
|
||
<td>跨机 GPU 通信的理想路径，日志可见 <code>via NET/IB/.../GDRDMA</code>。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>Socket / TCP</strong></td>
|
||
<td>普通 IP 网络编程路径。NCCL 找不到 RDMA 时会使用。</td>
|
||
<td>本次脚本实际发生的回退路径。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>Rail</strong></td>
|
||
<td>一条相对独立的网络通道，通常由一张 HCA 和一套交换路径组成。</td>
|
||
<td><code>mlx5_0/switch 1</code> 与 <code>mlx5_3/switch 2</code> 是双 Rail。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>ring / tree</strong></td>
|
||
<td>NCCL 对 collective 的通信拓扑组织方式。</td>
|
||
<td><code>NCCL_CROSS_NIC</code> 决定同一 ring/tree 能否跨不同 NIC。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>PFC / ECN</strong></td>
|
||
<td>RoCE 网络控制拥塞和丢包的机制。</td>
|
||
<td>RDMA 出现 retry、pause 或吞吐抖动时由运维检查。</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
|
||
<h2 id="bootstrap">4. NCCL bootstrap 到底是什么</h2>
|
||
<p>
|
||
NCCL 本身不是进程启动器。SGLang 先启动各个 worker，NCCL communicator 初始化时，
|
||
rank 之间需要交换地址、唯一 ID、拓扑和连接信息，这段“先认识彼此”的过程就是 bootstrap。
|
||
</p>
|
||
|
||
<ol>
|
||
<li>每个 rank 启动并获得自己的 rank ID。</li>
|
||
<li>通过 IP Socket 交换 NCCL unique ID 和连接信息。</li>
|
||
<li>NCCL 探测 GPU、PCIe、HCA 和节点拓扑。</li>
|
||
<li>构造 ring/tree/channel。</li>
|
||
<li>选择真正的数据传输后端：P2P、SHM、NET/IB 或 NET/Socket。</li>
|
||
</ol>
|
||
|
||
<div class="warning">
|
||
<strong>容易误解的地方：</strong>
|
||
<code>NCCL_SOCKET_IFNAME</code> 不保证“只用于 bootstrap”。
|
||
RDMA 正常时它主要承担 bootstrap；RDMA 失败并回退 Socket 后，它也会决定大块 Tensor
|
||
数据走哪张 IP 网卡。
|
||
</div>
|
||
|
||
<h2 id="parameters">5. 常见 NCCL 参数</h2>
|
||
|
||
<h3>NCCL_SOCKET_IFNAME</h3>
|
||
<p>筛选 NCCL 可使用的 Linux IP 接口。精确指定接口时可写：</p>
|
||
<pre><code>NCCL_SOCKET_IFNAME="=eth0"</code></pre>
|
||
<ul>
|
||
<li>RDMA 正常：主要影响 bootstrap/OOB IP 连接。</li>
|
||
<li>RDMA 不可用：决定 <code>NET/Socket</code> 的数据网卡。</li>
|
||
<li>部署时只允许使用计算网 <code>eth0/eth3</code>；Socket 回退时不能落到其他接口。</li>
|
||
</ul>
|
||
|
||
<h3>NCCL_IB_HCA</h3>
|
||
<p>筛选 NCCL 的 RDMA HCA。推荐使用精确匹配：</p>
|
||
<pre><code>NCCL_IB_HCA="=mlx5_0:1,mlx5_3:1"</code></pre>
|
||
<p>
|
||
这个变量只是“允许选择谁”，不会自动把宿主机 RDMA 设备送进容器。
|
||
容器还必须看到 <code>/dev/infiniband/rdma_cm</code>、
|
||
<code>uverbs0</code> 和 <code>uverbs3</code>。
|
||
</p>
|
||
|
||
<h3>NCCL_CROSS_NIC</h3>
|
||
<table>
|
||
<thead>
|
||
<tr><th>值</th><th>行为</th><th>适用直觉</th></tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><code>0</code></td>
|
||
<td>尽量让同一 ring/tree 在不同节点使用对应的同一条 Rail。</td>
|
||
<td>每张 NIC 接不同交换机、跨 Rail 代价高的 rail-optimized 网络。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>1</code></td>
|
||
<td>允许同一 ring/tree 在不同节点使用不同 NIC。</td>
|
||
<td>所有 NIC 进入同一网络 Fabric，跨 NIC 不构成额外问题。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>2</code></td>
|
||
<td>优先对应同一 NIC，但必要时允许跨 NIC。</td>
|
||
<td>NCCL 默认的折中策略。</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<div class="note">
|
||
本项目的 <code>mlx5_0</code> 和 <code>mlx5_3</code> 分挂 switch 1/2，
|
||
拓扑直觉上更偏向 <code>0</code> 或默认 <code>2</code>。最终值必须在
|
||
<strong>真正启用 NET/IB 后</strong>用 all_reduce 和 SGLang 端到端 A/B 决定。
|
||
当 NCCL 使用 NET/Socket 时，这个参数不参与路径选择。
|
||
</div>
|
||
|
||
<h3>NCCL_DEBUG 与 NCCL_DEBUG_SUBSYS</h3>
|
||
<pre><code>NCCL_DEBUG=INFO
|
||
NCCL_DEBUG_SUBSYS=INIT,NET,GRAPH,TUNING</code></pre>
|
||
<p>用于确认实际路径，诊断完成后应关闭，正式性能数据不要长期带 INFO 日志。</p>
|
||
|
||
<h2 id="logs">6. NCCL 日志速查</h2>
|
||
<table>
|
||
<thead>
|
||
<tr><th>日志</th><th>含义</th><th>判断</th></tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><code>Bootstrap: Using eth0:...</code></td>
|
||
<td>初始化控制连接选择 eth0。</td>
|
||
<td>只说明 bootstrap，尚不能证明数据走 RDMA。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>NET/IB : Using ... mlx5_0 ...</code></td>
|
||
<td>NCCL 已识别 RDMA HCA。</td>
|
||
<td>RDMA 数据后端可用。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>via NET/IB/.../GDRDMA</code></td>
|
||
<td>跨机边通过 GPUDirect RDMA。</td>
|
||
<td>理想证据。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>NET/IB : No device found</code></td>
|
||
<td>容器没有可用 RDMA 设备或驱动/权限不完整。</td>
|
||
<td>继续看是否回退 Socket。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>NET/Socket : Using 非计算网...</code></td>
|
||
<td>跨机数据由普通 TCP Socket 传输。</td>
|
||
<td>若误入低速非计算网，性能会严重受限。</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>via P2P/IPC</code></td>
|
||
<td>同机 GPU 通过 CUDA P2P/IPC。</td>
|
||
<td>机内路径，不代表跨机路径。</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
|
||
<h2 id="incident">7. 2026-07-30 Prefill 变慢事故复盘</h2>
|
||
<h3>已观测事实</h3>
|
||
<ul>
|
||
<li>宿主机存在 <code>/dev/infiniband</code>，两条 400G Rail 均 Up。</li>
|
||
<li>原脚本容器内不存在 <code>/dev/infiniband</code>。</li>
|
||
<li>NCCL INFO 明确打印 <code>NET/IB : No device found</code> 和 <code>Using network Socket</code>。</li>
|
||
<li>原脚本选择 400G 计算网 <code>eth0</code>；quick-map 曾误选低速非计算网。</li>
|
||
<li>部署规定只有 <code>eth0/eth3</code> 用于节点间通信，两者均为 400G。</li>
|
||
</ul>
|
||
|
||
<table>
|
||
<thead>
|
||
<tr><th>冷缓存 Shape</th><th>原脚本网络：eth0 Socket</th><th>quick-map：错误的非计算网</th><th>差异</th></tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>1K → 1, C=1</td>
|
||
<td class="metric">TTFT 1.458s / 693.1 input tok/s</td>
|
||
<td class="metric">TTFT 15.88–16.04s / 约 64 tok/s</td>
|
||
<td>约 10.9×</td>
|
||
</tr>
|
||
<tr>
|
||
<td>32K → 1, C=1</td>
|
||
<td class="metric">TTFT 38.062s / 860.5 input tok/s</td>
|
||
<td class="metric">TTFT 504.44s / 64.96 tok/s</td>
|
||
<td>约 13.25×</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
|
||
<div class="finding">
|
||
<strong>根因判断：</strong>
|
||
quick-map 没有把 RDMA 设备透传进容器，却把 <code>NCCL_SOCKET_IFNAME</code>
|
||
设成低速非计算网。NCCL 回退 NET/Socket 后，TP16 跨机数据没有进入规定的
|
||
<code>eth0/eth3</code> 计算网。<code>NCCL_CROSS_NIC=1</code> 在没有 NET/IB
|
||
的情况下不是致因。
|
||
</div>
|
||
|
||
<h3>为什么旧日志还会比 38 秒更短</h3>
|
||
<p>
|
||
旧矩阵脚本还有第二个独立因素：<code>warmup_requests=16</code>、固定
|
||
<code>seed=42</code>、ISL/OSL/C 升序运行，而且从不 flush Prefix Cache。
|
||
因此旧日志混入缓存命中，不能直接与冷 Prefill 比较。
|
||
</p>
|
||
|
||
<div class="good">
|
||
quick-map 现在只允许 <code>eth0/eth3</code> 和
|
||
<code>mlx5_0/mlx5_3</code>，并会透传精确 RDMA 设备、强制检查两端
|
||
<code>NET/IB</code> 日志。代码与 dry-run 已通过；下一步是真机启动验证，
|
||
在拿到运行时证据前不进入 Kernel 归因。
|
||
</div>
|
||
|
||
<h2 id="checklist">8. 从宿主机到 NCCL 的排查清单</h2>
|
||
<ol>
|
||
<li>
|
||
<strong>宿主机链路：</strong>
|
||
<code>ethtool eth0</code>、<code>ethtool eth3</code>。
|
||
</li>
|
||
<li>
|
||
<strong>HCA 映射：</strong>
|
||
<code>ibdev2netdev</code>，确认 <code>mlx5_0→eth0</code>、
|
||
<code>mlx5_3→eth3</code>。
|
||
</li>
|
||
<li>
|
||
<strong>宿主机设备：</strong>
|
||
<code>ls -l /dev/infiniband</code>。
|
||
</li>
|
||
<li>
|
||
<strong>容器设备：</strong>
|
||
<code>docker exec CONTAINER ls -l /dev/infiniband</code>。
|
||
宿主机有、容器没有，NCCL 仍然用不了 RDMA。
|
||
</li>
|
||
<li>
|
||
<strong>运行时证据：</strong>
|
||
用一次 <code>NCCL_DEBUG=INFO</code> 启动，搜索
|
||
<code>NET/IB</code>、<code>NET/Socket</code>、<code>GDRDMA</code>。
|
||
</li>
|
||
<li>
|
||
<strong>硬件计数器：</strong>
|
||
同时观察 eth0/eth3 流量和 RDMA 端口计数；不能只看环境变量。
|
||
</li>
|
||
<li>
|
||
<strong>端到端 A/B：</strong>
|
||
冷缓存、同一 prompt、同一模型参数，仅改变一个网络变量。
|
||
</li>
|
||
</ol>
|
||
|
||
<h3>最小 RDMA 设备透传验证</h3>
|
||
<pre><code>docker run --rm \
|
||
--device=/dev/infiniband/rdma_cm \
|
||
--device=/dev/infiniband/uverbs0 \
|
||
--device=/dev/infiniband/uverbs3 \
|
||
IMAGE \
|
||
ls -l /dev/infiniband</code></pre>
|
||
<p>
|
||
能看到设备只是第一关。最终仍必须从 NCCL INFO 中看到 <code>NET/IB</code>，
|
||
并通过通信基准与 SGLang 结果确认。
|
||
</p>
|
||
|
||
<h2 id="sources">9. 官方资料</h2>
|
||
<ul>
|
||
<li>
|
||
<a href="https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/setup.html">
|
||
NVIDIA NCCL Setup：bootstrap 与通信安全边界
|
||
</a>
|
||
</li>
|
||
<li>
|
||
<a href="https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/env.html">
|
||
NVIDIA NCCL Environment Variables：SOCKET_IFNAME、IB_HCA、CROSS_NIC
|
||
</a>
|
||
</li>
|
||
<li>
|
||
<a href="https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/troubleshooting/networking_troubleshooting.html">
|
||
NVIDIA NCCL Networking Troubleshooting
|
||
</a>
|
||
</li>
|
||
</ul>
|
||
|
||
<p>
|
||
<a href="./推理优化计划.html">返回推理优化主计划</a>
|
||
</p>
|
||
</main>
|
||
</div>
|
||
|
||
<footer>
|
||
本页以两台 6000D 的真实设备映射和 2026-07-30 实测日志为例。
|
||
</footer>
|
||
</body>
|
||
</html>
|