首页
/ LMDeploy分布式推理中RDMA QP创建失败问题解析

LMDeploy分布式推理中RDMA QP创建失败问题解析

2025-06-03 01:48:25作者:舒璇辛Bertina

问题背景

在使用LMDeploy进行分布式推理服务部署时,用户尝试按照官方文档的指导,在PD(Prefill-Decode)解耦模式下启动路由服务、预填充工作节点和解码工作节点。虽然服务能够正常启动,但在实际发送推理请求时,预填充工作节点崩溃,并出现"Failed to create QP"的错误信息。

环境配置

该问题出现在配备以下硬件的环境中:

  • 2个eRDMA网络接口卡
  • 8块NVIDIA A10 GPU
  • 相关驱动包括nvidia_uvm、nvidia_peermem、ib_core等内核模块

软件环境使用Qwen2.5-7B-Instruct模型,通过LMDeploy的分布式服务模式进行部署。

错误现象分析

当用户通过curl发送POST请求时,系统表现出以下异常行为:

  1. 预填充工作节点

    • 首先正常接收并处理了HTTP请求
    • 随后在尝试建立RDMA连接时失败,错误信息显示"Failed to create QP"
    • 最终导致段错误(Segmentation fault)并崩溃
  2. 路由服务

    • 初始请求返回422状态码
    • 尝试重连预填充工作节点多次失败
    • 最终返回500内部服务器错误
  3. 系统层面

    • 在进程崩溃后,nvidia-smi命令也出现异常

技术原理分析

QP(Queue Pair)是RDMA(远程直接内存访问)技术中的核心概念,用于在节点间建立直接内存访问通道。在分布式推理场景中,预填充节点和解码节点需要通过RDMA进行高效的数据交换。

错误信息表明系统在创建QP时失败,这通常与以下因素有关:

  1. RDMA设备资源限制
  2. 队列对参数配置不当
  3. 设备驱动或固件问题
  4. 网络配置限制

解决方案

经过深入分析,发现问题根源在于eRDMA云服务器环境下,默认的max_send_sge和max_recv_sge参数值(4)与硬件不兼容。通过以下修改解决了问题:

在dlslime的rdma_context实现中,将max_send_sge和max_recv_sge参数从4调整为1。这是因为:

  1. eRDMA云服务器通常对单次操作的SGE(Scatter-Gather Element)数量有更严格的限制
  2. 减少SGE数量可以降低内存注册和DMA操作的开销
  3. 在大多数推理场景中,单SGE已能满足数据传输需求

经验总结

在分布式AI推理系统部署时,特别是使用RDMA技术时,需要注意:

  1. 不同RDMA硬件实现(如Mellanox、eRDMA等)可能有不同的参数限制
  2. 云环境下的虚拟化RDMA设备往往比物理设备有更多限制
  3. 系统参数需要根据实际硬件环境进行调整
  4. 错误日志中的"Failed to create QP"通常是RDMA资源分配问题的表现

这个问题展示了在分布式AI系统部署中,底层网络配置对系统稳定性的重要影响,也提醒开发者在不同环境中需要灵活调整系统参数。

登录后查看全文
热门项目推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
47
253
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
347
381
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
871
516
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184
kernelkernel
deepin linux kernel
C
22
5
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
7
0
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
335
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0