NCCL项目中NVLS内存分配错误的排查与解决方案
2025-06-19 23:10:12作者:董斯意
问题现象
在使用NCCL测试套件对配备NVSwitch的H100 GPU进行测试时,系统报告了nvlsAllocateMem
函数执行失败的错误。错误日志显示为"Cuda failure 1 'invalid argument'",表明CUDA驱动程序拒绝了NVLS(NVLink共享)内存分配请求。
根本原因分析
经过深入排查,发现问题与NVIDIA Fabric Manager服务的操作顺序有关。当用户执行以下操作序列时会出现此问题:
- 启动nvidia-fabricmanager服务
- 停止nvidia-fabricmanager服务
- 再次启动nvidia-fabricmanager服务
在这种操作序列下,NCCL测试会报告上述错误。目前唯一的解决方法是重启整个系统。
技术背景
NVLS(NVLink Shared)是NVIDIA提供的一种通过NVLink实现GPU间内存共享的技术。NCCL利用这项技术来优化多GPU间的通信性能。Fabric Manager服务负责管理系统中的NVLink拓扑结构和相关资源。
解决方案
根据NVIDIA官方文档的建议,正确的操作流程应该是:
- 在停止Fabric Manager服务后,必须执行GPU重置操作
- 然后才能重新启动Fabric Manager服务
- 如果跳过GPU重置步骤直接重启服务,就会导致NVLS内存分配失败
这个要求与GPU架构和NVLink资源管理机制有关。Fabric Manager在停止时会释放对NVLink资源的控制,但这些资源的状态可能不会自动重置。直接重启服务会导致资源状态不一致,进而影响NVLS内存分配功能。
最佳实践建议
- 尽量避免在生产环境中频繁启停Fabric Manager服务
- 如果必须重启服务,请按照以下顺序操作:
- 停止Fabric Manager服务
- 执行GPU重置(可通过nvidia-smi命令实现)
- 重新启动Fabric Manager服务
- 考虑使用系统监控工具确保Fabric Manager服务持续运行
- 对于关键业务系统,建议配置服务监控和自动恢复机制
总结
NCCL与NVLink/NVLS的深度集成带来了显著的性能优势,但也引入了额外的系统管理要求。理解底层技术原理并遵循正确的操作流程,是确保系统稳定运行的关键。对于H100等新一代GPU架构,Fabric Manager服务的正确管理尤为重要。
登录后查看全文
热门项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0274community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
505
42

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
194
279

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
938
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
333
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70