NCCL项目中NVLS内存分配错误的排查与解决方案

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：

1. 启动nvidia-fabricmanager服务
2. 停止nvidia-fabricmanager服务
3. 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：

1. 在停止Fabric Manager服务后，必须执行GPU重置操作
2. 然后才能重新启动Fabric Manager服务
3. 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

1. 尽量避免在生产环境中频繁启停Fabric Manager服务
2. 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
3. 考虑使用系统监控工具确保Fabric Manager服务持续运行
4. 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。