Tune multinode NCCL auto parameters

2026-05-23 16:12:32 +08:00 · 2026-05-23 16:12:32 +08:00 · 6c9f049b71
commit 6c9f049b71
parent 1f907e9691
8 changed files with 187 additions and 25 deletions
--- a/configs/default.yaml
+++ b/configs/default.yaml
@ -87,11 +87,11 @@ multinode_nccl:
  ib_tc: 136
  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
  ib_timeout: 22
-  qps_per_connection: 4
-  min_nchannels: 4
+  qps_per_connection: null
+  min_nchannels: null
  net_plugin: none
  nvls_enable: 1
-  split_data_on_qps: 1
+  split_data_on_qps: null
  extra_env: {}
  min_peak_busbw_gbps:
    allreduce: 480
--- a/configs/multinode_nccl_diagnostic.yaml
+++ b/configs/multinode_nccl_diagnostic.yaml
@ -47,11 +47,11 @@ multinode_nccl:
  ib_tc: 136
  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
  ib_timeout: 22
-  qps_per_connection: 4
-  min_nchannels: 4
+  qps_per_connection: null
+  min_nchannels: null
  net_plugin: none
  nvls_enable: 1
-  split_data_on_qps: 1
+  split_data_on_qps: null
  extra_env:
    NCCL_DEBUG_SUBSYS: INIT,NET
    NCCL_NET_GDR_LEVEL: 5
--- a/configs/multinode_nccl_nccl227_16g.yaml
+++ b/configs/multinode_nccl_nccl227_16g.yaml
@ -47,11 +47,11 @@ multinode_nccl:
  ib_tc: 136
  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
  ib_timeout: 22
-  qps_per_connection: 4
-  min_nchannels: 4
+  qps_per_connection: null
+  min_nchannels: null
  net_plugin: none
  nvls_enable: 1
-  split_data_on_qps: 1
+  split_data_on_qps: null
  extra_env:
    NCCL_DEBUG_SUBSYS: INIT,NET
    NCCL_NET_GDR_LEVEL: 5
--- a/configs/multinode_nccl_nccl227_auto_16g.yaml
+++ b/configs/multinode_nccl_nccl227_auto_16g.yaml
@ -0,0 +1,62 @@
+tools:
+  install_dir: /opt/gpu-test-tools
+
+report:
+  output_dir: ./reports
+  format: md
+
+multinode_nccl:
+  enabled: true
+  mode: large-message-nccl-2.27.7-auto
+  hosts:
+    - name: nccl-gpu-1
+      addr: 172.72.8.12
+      slots: 8
+    - name: nccl-gpu-2
+      addr: 172.72.8.16
+      slots: 8
+  ssh_user: root
+  ssh_preflight: true
+  mpirun_path: /usr/mpi/gcc/openmpi-4.1.9a1/bin/mpirun
+  mpi_ld_preload: null
+  extra_ld_library_path:
+    - /usr/mpi/gcc/openmpi-4.1.9a1/lib
+    - /tmp/nccl-2.27.7-cuda12.4/usr/lib/x86_64-linux-gnu
+    - /usr/local/cuda-12.4/targets/x86_64-linux/lib
+  nccl_tests_dir: null
+  tests:
+    - all_reduce_perf
+    - alltoall_perf
+  topologies:
+    - nodes: 2
+      gpus_per_node: 8
+      label: 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G
+  begin_size: 16G
+  end_size: 16G
+  step_factor: 2
+  warmup_iters: 1
+  iters: 3
+  gpus_per_rank: 1
+  timeout_sec: 1200
+  debug: INFO
+  socket_ifname: bond0
+  oob_tcp_ifname: bond0
+  plm_rsh_args: "-o StrictHostKeyChecking=accept-new -o ConnectTimeout=10 -o ServerAliveInterval=30"
+  ib_gid_index: 3
+  ib_sl: 5
+  ib_tc: 136
+  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
+  ib_timeout: 22
+  qps_per_connection: null
+  min_nchannels: null
+  net_plugin: none
+  nvls_enable: 1
+  split_data_on_qps: null
+  extra_env:
+    NCCL_DEBUG_SUBSYS: INIT,NET
+    NCCL_NET_GDR_LEVEL: 5
+    NCCL_NET_GDR_READ: 1
+    NCCL_DMABUF_ENABLE: 0
+  min_peak_busbw_gbps:
+    allreduce: 480
+    alltoall: 75
--- a/configs/multinode_nccl_nccl227_diagnostic.yaml
+++ b/configs/multinode_nccl_nccl227_diagnostic.yaml
@ -47,11 +47,11 @@ multinode_nccl:
  ib_tc: 136
  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
  ib_timeout: 22
-  qps_per_connection: 4
-  min_nchannels: 4
+  qps_per_connection: null
+  min_nchannels: null
  net_plugin: none
  nvls_enable: 1
-  split_data_on_qps: 1
+  split_data_on_qps: null
  extra_env:
    NCCL_DEBUG_SUBSYS: INIT,NET
    NCCL_NET_GDR_LEVEL: 5
--- a/configs/multinode_nccl_nccl227_sweep.yaml
+++ b/configs/multinode_nccl_nccl227_sweep.yaml
@ -47,11 +47,11 @@ multinode_nccl:
  ib_tc: 136
  ib_hca: mlx5_0,mlx5_1,mlx5_6,mlx5_7
  ib_timeout: 22
-  qps_per_connection: 4
-  min_nchannels: 4
+  qps_per_connection: null
+  min_nchannels: null
  net_plugin: none
  nvls_enable: 1
-  split_data_on_qps: 1
+  split_data_on_qps: null
  extra_env:
    NCCL_DEBUG_SUBSYS: INIT,NET
    NCCL_NET_GDR_LEVEL: 5
--- a/reports_multinode_nccl_16g_2x8_nccl227_auto.md
+++ b/reports_multinode_nccl_16g_2x8_nccl227_auto.md
@ -0,0 +1,66 @@
+# GPU Test Report
+
+- **Date:** 2026-05-23T08:09:56.340954
+- **Host:** aikubeworker0012
+
+## Overall Acceptance Verdict
+
+**Result: FAIL**
+
+Missing required evidence:
+- GPU Info
+- Health Check
+- Memory Bandwidth
+- Compute Throughput
+- NVLink/NVSwitch
+- NCCL
+- Stress Test
+- RDMA
+- DCGM
+- Training
+
+## Summary
+
+| Test | Result |
+|------|--------|
+| Multi-node NCCL | FAIL |
+
+## Multi-node NCCL / Cross Leaf
+
+Source: nccl-tests-mpirun | Mode: large-message-nccl-2.27.7-auto
+
+- **Hosts:** nccl-gpu-1(172.72.8.12), nccl-gpu-2(172.72.8.16)
+- **Preflight:** PASS
+
+### Multi-node NCCL allreduce
+
+| Topology | Peak Bus BW | Peak Size | Avg Bus BW | Threshold | Status |
+|----------|-------------|-----------|------------|-----------|--------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | 354.60 GB/s | 16G | 354.57 GB/s | >= 480 GB/s | FAIL |
+
+| Topology | NCCL Network | GPU Direct RDMA | GDR Enabled HCAs | GDR Disabled HCAs |
+|----------|--------------|-----------------|------------------|-------------------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | IB | ENABLED | mlx5_0, mlx5_1, mlx5_6, mlx5_7 | - |
+
+| Topology | Return Code | Error / Output Tail |
+|----------|-------------|---------------------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | 0 | 0012:2149404:2149572 [7] NCCL INFO comm 0x560bd3541a30 rank 7 nranks 16 cudaDev 7 busId db000 - Destroy COMPLETE aikubeworker0016:1066162:1066981 [5] NCCL INFO comm 0x55e73208e200 rank 13 nranks 16 cudaDev 5 busId ab000 - Destroy COMPLETE   |
+
+### Multi-node NCCL alltoall
+
+| Topology | Peak Bus BW | Peak Size | Avg Bus BW | Threshold | Status |
+|----------|-------------|-----------|------------|-----------|--------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | 30.01 GB/s | 16G | 30.02 GB/s | >= 75 GB/s | FAIL |
+
+| Topology | NCCL Network | GPU Direct RDMA | GDR Enabled HCAs | GDR Disabled HCAs |
+|----------|--------------|-----------------|------------------|-------------------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | IB | ENABLED | mlx5_0, mlx5_1, mlx5_6, mlx5_7 | - |
+
+| Topology | Return Code | Error / Output Tail |
+|----------|-------------|---------------------|
+| 2 nodes x 8 GPUs NCCL 2.27.7 auto 16G | 0 | r0012:2149589:2149764 [7] NCCL INFO comm 0x55fef234b7c0 rank 7 nranks 16 cudaDev 7 busId db000 - Destroy COMPLETE aikubeworker0012:2149588:2149765 [6] NCCL INFO comm 0x5637718f1dd0 rank 6 nranks 16 cudaDev 6 busId ba000 - Destroy COMPLETE   |
+
+**Overall: FAIL**
+
+---
+*Generated by GPU Test Suite v0.2.0*
--- a/reports_multinode_nccl_diagnosis_20260523.md
+++ b/reports_multinode_nccl_diagnosis_20260523.md
@ -3,14 +3,16 @@
 - 日期：2026-05-23
 - 测试入口：`nccl-gpu-1` / `aikubeworker0012` / `172.72.8.12`
 - 对端节点：`nccl-gpu-2` / `aikubeworker0016` / `172.72.8.16`
- 诊断配置：`configs/multinode_nccl_diagnostic.yaml`
- 原始脚本报告：`reports_multinode_nccl_diagnostic_2x8_sshfix.md`
+- 诊断配置：`configs/multinode_nccl_nccl227_auto_16g.yaml`
+- 当前最佳原始脚本报告：`reports_multinode_nccl_16g_2x8_nccl227_auto.md`

 ## 当前结论

 这不是单纯 “IB 不通” 的问题。底层 CUDA RDMA perftest 可以跑到接近单端口 400Gb/s 的水平；最初使用 pip 包里的 NCCL 2.21.5 时，NCCL 在实际 2 节点通信中把 GPU Direct RDMA 禁用了，导致带宽显著偏低。

-后续临时切换到 apt 包解压出的 NCCL 2.27.7+cuda12.4 后，NCCL GDR 已经恢复启用，2 节点 x 8 GPU allreduce 从 `67.42 GB/s` 提升到 `237.86 GB/s`，alltoall 从 `9.56 GB/s` 提升到 `28.62 GB/s`。当前剩余问题不再是 GDR disabled，而是 GDR enabled 后仍低于当前配置里的验收阈值。
+后续临时切换到 apt 包解压出的 NCCL 2.27.7+cuda12.4 后，NCCL GDR 已经恢复启用，2 节点 x 8 GPU allreduce 从 `67.42 GB/s` 提升到 `237.86 GB/s`，alltoall 从 `9.56 GB/s` 提升到 `28.62 GB/s`。
+
+继续 tuning 后发现，配置里固定的 `NCCL_MIN_NCHANNELS=4`、`NCCL_IB_QPS_PER_CONNECTION=4`、`NCCL_IB_SPLIT_DATA_ON_QPS=1` 会明显压低 16G allreduce。去掉这些固定参数、让 NCCL 2.27.7 自动选择后，正式脚本报告中 2 节点 x 8 GPU allreduce 提升到 `354.60 GB/s`，alltoall 小幅提升到 `30.01 GB/s`。当前剩余问题不再是 GDR disabled，而是 GDR enabled 且 NCCL 自动调参后，仍低于当前配置里的验收阈值。

 同时，`nccl-gpu-2` 的 SSH 入口曾因未认证连接过多触发 `MaxStartups` 随机拒绝，导致 `mpirun` 拉起远端 rank 失败。已经做了临时 SSHD 缓解并拿到有效的 2 节点 x 8 GPU allreduce/alltoall 报告。

@ -26,6 +28,7 @@
 8. 将 OpenMPI OOB TCP 控制通道固定到 `bond0`，并加入 `plm_rsh_args`，减少 `mpirun` 远端启动受 SSH/host key/接口选择影响的概率。
 9. 从 NVIDIA apt 源下载但不安装 `libnccl2=2.27.7-1+cuda12.4`，解压到两台机器 `/tmp/nccl-2.27.7-cuda12.4`，用 `LD_LIBRARY_PATH` 临时覆盖 NCCL 运行库验证。
 10. 增强报告解析，能够区分 `GPU Direct RDMA ENABLED` 和 `DISABLED`，并列出 enabled/disabled HCA。
+11. 将 multi-node NCCL 配置中的 `qps_per_connection`、`min_nchannels`、`split_data_on_qps` 改为 `null`，避免默认导出会压低大包 allreduce 的固定 NCCL 参数。

 ## 关键证据

@ -141,7 +144,35 @@ allreduce 和 alltoall 本轮均正常完成，`returncode=0`、`wrong=0`，失
 | allreduce | `237.86 GB/s` | `16G` | `>= 480 GB/s` | FAIL | ENABLED |
 | alltoall | `28.62 GB/s` | `16G` | `>= 75 GB/s` | FAIL | ENABLED |

-解释：NCCL 2.27.7 已经修复 GDR 禁用问题，且性能提升明显；但在当前跨节点/跨 Leaf 环境和当前阈值下仍不达标。allreduce 约稳定在 `238 GB/s`，alltoall 约稳定在 `28-29 GB/s`。
+解释：NCCL 2.27.7 已经修复 GDR 禁用问题，且性能提升明显；但在固定 `min_nchannels=4/qps=4/split=1` 的配置下仍不达标。allreduce 约稳定在 `238 GB/s`，alltoall 约稳定在 `28-29 GB/s`。
+
+### 4.2 NCCL 2.27.7 自动通道/QP 参数结果
+
+进一步对 16G 大包做 tuning，发现默认配置里锁定的参数会压低 allreduce：
+
+| 配置 | allreduce Avg Bus BW | alltoall Avg Bus BW | 结论 |
+|------|----------------------|---------------------|------|
+| NCCL 2.27.7 + 固定 `min_nchannels=4/qps=4/split=1` | `238.56 GB/s` | `28.62 GB/s` | GDR 已启用，但 allreduce 被压低 |
+| NCCL 2.27.7 + NCCL 自动选择 channel/QP | `354.57 GB/s` | `30.02 GB/s` | 当前最佳脚本结果 |
+
+正式脚本报告：`reports_multinode_nccl_16g_2x8_nccl227_auto.md`
+
+| Operation | Peak Bus BW | Avg Bus BW | Peak Size | Threshold | Status | GPU Direct RDMA |
+|-----------|-------------|------------|-----------|-----------|--------|-----------------|
+| allreduce | `354.60 GB/s` | `354.57 GB/s` | `16G` | `>= 480 GB/s` | FAIL | ENABLED |
+| alltoall | `30.01 GB/s` | `30.02 GB/s` | `16G` | `>= 75 GB/s` | FAIL | ENABLED |
+
+对比临时 tuning 命令：
+
+| 变量组合 | allreduce Avg Bus BW | alltoall Avg Bus BW |
+|----------|----------------------|---------------------|
+| baseline auto | `353.63 GB/s` | `30.05 GB/s` |
+| `NCCL_IB_MERGE_NICS=1` | `352.73 GB/s` | `30.07 GB/s` |
+| `NCCL_CROSS_NIC=1` | `354.68 GB/s` | `30.05 GB/s` |
+| `NCCL_IB_QPS_PER_CONNECTION=8` + `NCCL_IB_SPLIT_DATA_ON_QPS=0` | `350.91 GB/s` | `29.41 GB/s` |
+| `NCCL_MIN_NCHANNELS=16` + `NCCL_MAX_NCHANNELS=16` | `354.32 GB/s` | `30.06 GB/s` |
+
+解释：allreduce 的主要提升来自取消不合适的固定参数，而不是 `MERGE_NICS` 或 `CROSS_NIC`。alltoall 对这些参数不敏感，当前基本稳定在 `30 GB/s` 左右。

 ### 5. SSHD MaxStartups 阻塞已临时缓解

@ -205,12 +236,12 @@ NET/IB : GPU Direct RDMA Disabled for HCA 0 'mlx5_0'

 判断：底层 RDMA 能力存在，GDR 禁用主要由旧 NCCL 版本触发。建议正式安装并固定 NCCL 2.27.7+cuda12.4 或更新的已验证版本。

-### 阻塞 2：GDR enabled 后带宽仍低于当前阈值
+### 阻塞 2：GDR enabled 且 NCCL 自动调参后带宽仍低于当前阈值

 现象：

- 2x8 16G allreduce：`237.86 GB/s`，阈值 `>= 480 GB/s`
- 2x8 16G alltoall：`28.62 GB/s`，阈值 `>= 75 GB/s`
+- 2x8 16G allreduce：`354.60 GB/s`，阈值 `>= 480 GB/s`
+- 2x8 16G alltoall：`30.01 GB/s`，阈值 `>= 75 GB/s`
 - 已使用 4 个 400Gb/s HCA：`mlx5_0, mlx5_1, mlx5_6, mlx5_7`

 判断：需要确认当前 PDF/config 阈值是否适用于跨 Leaf 两节点场景；如果阈值确实要求跨 Leaf 也达到这些数值，则还需要继续查链路聚合、多 rail 使用、交换网络、NCCL net plugin/SHARP 或 rail mapping。
@ -230,9 +261,10 @@ NET/IB : GPU Direct RDMA Disabled for HCA 0 'mlx5_0'

 1. 从网络/安全侧处理 `172.239.10.85` 等来源的 SSH 未认证连接压力，或者保留更高的 `MaxStartups` 配置作为测试窗口临时策略。
 2. 正式安装并固定已验证的 NCCL 2.27.7+cuda12.4 或更新版本，不要依赖 pip NCCL 2.21.5；当前 `/tmp/nccl-2.27.7-cuda12.4` 只是临时解压验证。
-3. 尝试安装或启用匹配当前 OFED/driver 的 NCCL net plugin/SHARP；当前日志显示 `Could not find: libnccl-net.so`，NCCL 使用的是 internal IB plugin。
-4. 核对跨 Leaf 链路的 rail mapping、交换机端口速率、路由和拥塞计数，确认 4 个 400Gb/s HCA 是否都在跨节点通信中充分利用。
-5. 确认当前 `allreduce >= 480 GB/s`、`alltoall >= 75 GB/s` 阈值是否应直接用于跨 Leaf 两节点场景；如果是，继续按链路和 NCCL rail 聚合方向排查。
+3. multi-node NCCL 默认不要固定 `NCCL_MIN_NCHANNELS=4`、`NCCL_IB_QPS_PER_CONNECTION=4`、`NCCL_IB_SPLIT_DATA_ON_QPS=1`；当前脚本配置已改成 `null`，让 NCCL 自动选择。
+4. 尝试安装或启用匹配当前 OFED/driver 的 NCCL net plugin/SHARP；当前日志显示 `Could not find: libnccl-net.so`，NCCL 使用的是 internal IB plugin。
+5. 核对跨 Leaf 链路的 rail mapping、交换机端口速率、路由和拥塞计数，确认 4 个 400Gb/s HCA 是否都在跨节点通信中充分利用。
+6. 确认当前 `allreduce >= 480 GB/s`、`alltoall >= 75 GB/s` 阈值是否应直接用于跨 Leaf 两节点场景；如果是，继续按链路和 NCCL rail 聚合方向排查。

 ## 当前可交付物

@ -240,8 +272,10 @@ NET/IB : GPU Direct RDMA Disabled for HCA 0 'mlx5_0'
 - `configs/multinode_nccl_nccl227_diagnostic.yaml`：NCCL 2.27.7 256M 诊断配置
 - `configs/multinode_nccl_nccl227_sweep.yaml`：NCCL 2.27.7 1M 到 4G sweep 配置
 - `configs/multinode_nccl_nccl227_16g.yaml`：NCCL 2.27.7 16G 大包配置
+- `configs/multinode_nccl_nccl227_auto_16g.yaml`：NCCL 2.27.7 16G 自动 channel/QP 配置
 - `reports_multinode_nccl_diagnostic_2x8_sshfix.md`：脚本生成的原始 2x8 诊断报告
 - `reports_multinode_nccl_diagnostic_2x8_nccl227_v2.md`：NCCL 2.27.7 256M 诊断报告
 - `reports_multinode_nccl_sweep_2x8_nccl227.md`：NCCL 2.27.7 1M 到 4G sweep 报告
 - `reports_multinode_nccl_16g_2x8_nccl227.md`：NCCL 2.27.7 16G 大包报告
+- `reports_multinode_nccl_16g_2x8_nccl227_auto.md`：NCCL 2.27.7 16G 自动 channel/QP 原始报告
 - `reports_multinode_nccl_diagnosis_20260523.md`：本中文诊断总结