# 多机 NCCL 8 卡链路计数器探测 - 日期：2026-05-23 - 主机：`aikubeworker0012` / `172.72.8.12`，`aikubeworker0016` / `172.72.8.16` - NCCL：临时 `2.27.7+cuda12.4` - HCA：`mlx5_0,mlx5_1,mlx5_6,mlx5_7` - HCA 速率：每节点 4 x 400Gb/s NDR，理论单向合计约 `200 GB/s` ## 结论 8 卡 allreduce 的 NCCL `algbw` 已经到 `189 GB/s` 左右，接近当前每节点 4 条 400G rail 的理论单向合计 `200 GB/s`。因此 PDF 参考的 `491.84 GB/s busbw` 对应 `262 GB/s algbw`，在当前 4 x 400G rail 形态下不太可能达到，除非实际可用跨节点 rail 数量或网络能力高于当前节点暴露的 4 条 400G。 裸 RDMA 并发 perftest 也验证了这 4 条 400G rail 本身可以同时工作：4 个 HCA 并发 `ib_write_bw` 合计 `1476.95 Gb/s`，即 `184.62 GB/s`。这与 NCCL 8 卡 allreduce 换算出的 `189 GB/s algbw` 一致，说明 allreduce 已经接近裸网络可用带宽。 8 卡 alltoall 仍只有 `30 GB/s busbw`，不是 HCA 顺序导致。HCA 顺序 sweep 都稳定在 `30.02-30.07 GB/s`。计数器显示 alltoall 流量主要压在 `mlx5_0` 和 `mlx5_6` 上，`mlx5_1` 和 `mlx5_7` 只有约三分之一流量，说明剩余问题更像 NCCL alltoall rail 分布、路由、拥塞、NCCL net plugin/SHARP 或网络侧策略问题。 ## 裸 RDMA 4 rail 并发 命令类型： ```bash ib_write_bw -d -i 1 -p -s 4194304 -n 5000 -F --report_gbits ``` 结果： | HCA | BW average | |-----|------------| | `mlx5_0` | `387.16 Gb/s` | | `mlx5_1` | `387.07 Gb/s` | | `mlx5_6` | `355.02 Gb/s` | | `mlx5_7` | `347.70 Gb/s` | | Total | `1476.95 Gb/s` / `184.62 GB/s` | ## 8 卡 allreduce NCCL 输出： | Metric | Value | |--------|-------| | `algbw` | `189.16 / 189.07 GB/s` | | `busbw` | `354.68 / 354.52 GB/s` | | `Avg bus bandwidth` | `354.597 GB/s` | allreduce busbw 换算关系约为： ```text busbw = algbw * 2 * (nranks - 1) / nranks = algbw * 1.875 # nranks=16 ``` 因此： | 项 | busbw | 换算 algbw | |----|-------|------------| | 当前测试 | `354.60 GB/s` | `189.12 GB/s` | | PDF 参考 | `491.84 GB/s` | `262.31 GB/s` | 当前 `189.12 GB/s algbw` 已接近 `4 x 400Gb/s = 200 GB/s` 理论单向总带宽。 ## 8 卡 alltoall NCCL 输出： | Metric | Value | |--------|-------| | `algbw` | `32.04 / 32.05 GB/s` | | `busbw` | `30.03 / 30.04 GB/s` | | `Avg bus bandwidth` | `30.0389 GB/s` | 同一测试窗口内，端口计数器增量显示流量不均衡： | Host | HCA | Xmit GB | Recv GB | |------|-----|---------|---------| | 172.72.8.12 | `mlx5_0` | `885.54` | `885.51` | | 172.72.8.12 | `mlx5_1` | `295.19` | `295.19` | | 172.72.8.12 | `mlx5_6` | `885.53` | `885.51` | | 172.72.8.12 | `mlx5_7` | `295.19` | `295.19` | | 172.72.8.16 | `mlx5_0` | `885.51` | `885.54` | | 172.72.8.16 | `mlx5_1` | `295.19` | `295.19` | | 172.72.8.16 | `mlx5_6` | `885.51` | `885.53` | | 172.72.8.16 | `mlx5_7` | `295.19` | `295.19` | ## HCA 顺序 sweep 8 卡 alltoall 对 HCA 顺序不敏感： | `NCCL_IB_HCA` | Avg Bus BW | |---------------|------------| | `mlx5_0,mlx5_1,mlx5_6,mlx5_7` | `30.0367 GB/s` | | `mlx5_0,mlx5_6,mlx5_1,mlx5_7` | `30.0696 GB/s` | | `mlx5_0,mlx5_7,mlx5_1,mlx5_6` | `30.0397 GB/s` | | `mlx5_1,mlx5_0,mlx5_7,mlx5_6` | `30.0413 GB/s` | | `mlx5_6,mlx5_7,mlx5_0,mlx5_1` | `30.0230 GB/s` | ## 判断 1. 裸 RDMA 4 rail 可以并发跑到约 `184.62 GB/s`，网络基础带宽不是单 rail 瓶颈。 2. 8 卡 allreduce 当前不是软件参数小调能解决的问题，性能已经贴近当前 4 条 400G rail 的物理带宽上限。 3. 8 卡 alltoall 仍明显异常，且不是 HCA 顺序问题；需要继续从 NCCL alltoall rail 分布、网络路由/拥塞、NCCL net plugin/SHARP、交换机侧策略排查。 4. 如果验收必须达到 PDF 的 2 机 16 卡 `491.84/76.54 GB/s`，需要确认当前两台机器是否具备与 PDF 参考环境同等的有效跨节点 rail 数量和交换网络能力。 5. 两台机器当前均未发现 `libnccl-net.so` 或 SHARP/HCOLL 包，NCCL 使用 internal IB plugin；如果目标值依赖 NCCL net plugin/SHARP，需要先补齐对应运行环境。