首页
/ NCCL2.26.2中RAS初始化阶段导致进程崩溃的问题分析

NCCL2.26.2中RAS初始化阶段导致进程崩溃的问题分析

2025-06-19 21:23:59作者:沈韬淼Beryl

问题背景

在NCCL(NVIDIA Collective Communications Library)2.26.2版本中,用户报告了一个关于RAS(Reliable, Available, and Scalable)功能的重要问题。当在NCCL初始化阶段执行RAS命令时,可能会导致NCCL进程崩溃。这个问题在分布式训练场景中尤为关键,因为它可能影响多机多卡训练的正常进行。

问题现象

用户在使用两个主机运行NCCL all-to-all测试时发现,如果在NCCL初始化阶段执行RAS命令,会导致NCCL进程崩溃。从错误日志中可以看到,进程收到了段错误信号(SIGSEGV),并且错误地址指向0x10,这表明程序尝试访问了一个空指针或无效内存地址。

技术分析

通过对问题的深入分析,NCCL开发团队发现这是一个在2.26版本引入的新bug。问题的核心在于RAS客户端在NCCL初始化阶段尝试访问尚未完全初始化的通信数据结构。

具体来说,当RAS命令在初始化阶段被调用时,它会尝试访问ncclComm结构体中的peerInfo字段,而此时这个字段可能尚未被完全初始化。这导致了空指针解引用,进而引发段错误。

解决方案

NCCL开发团队提供了一个临时修复方案,主要修改包括:

  1. comm.h中增加了一个新的标志位peerInfoValid,用于标识peerInfo字段是否已经有效初始化
  2. init.cc中,当peerInfo完成初始化后,通过原子操作设置peerInfoValid标志
  3. ras/collectives.cc中,在访问peerInfo前检查peerInfoValid标志,确保数据已准备好

这个修复方案通过引入一个同步标志,确保了RAS客户端不会在数据结构未完全初始化时就尝试访问它们,从而避免了潜在的竞争条件和空指针访问问题。

影响与建议

这个问题主要影响使用NCCL 2.26版本并在初始化阶段执行RAS操作的用户。对于生产环境,建议:

  1. 如果使用NCCL 2.26版本,应考虑应用上述修复补丁
  2. 或者升级到包含正式修复的后续版本(如2.28及以上)
  3. 在初始化阶段避免执行RAS相关操作

总结

这个案例展示了在分布式通信库开发中,初始化顺序和并发访问控制的重要性。NCCL团队通过引入原子标志位的方式,优雅地解决了这个竞态条件问题,确保了库的稳定性和可靠性。对于深度学习工程师和系统管理员来说,理解这类问题的本质有助于更好地诊断和解决实际部署中遇到的类似问题。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
ops-mathops-math
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++
507
43
nop-entropynop-entropy
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
openHiTLSopenHiTLS
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-Vue3RuoYi-Vue3
🎉 (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
940
554
communitycommunity
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
336
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
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