#!/bin/bash # ===== 多机 NCCL 测试环境 — H20-3e 集群 (34台, 8xNDR400 per node) ===== # 主节点: gpu-20 (10.184.0.20), 在此节点 source 后执行 mpirun # 验证日期: 2026-06-06 # OpenMPI 不在默认 loader 路径,必须显式加 export PATH=/usr/mpi/gcc/openmpi-4.1.7rc1/bin:$PATH export LD_LIBRARY_PATH=/usr/mpi/gcc/openmpi-4.1.7rc1/lib:$LD_LIBRARY_PATH # NCCL: 使用 8 张 GPU 直连 IB 网卡 (PIX 级别直连) # 排除 mlx5_6/7: 虽为 IB Active, 但无 GPU PIX 直连, 为存储 NIC # 排除 mlx5_bond_0: 25G 以太管理口 # GPU↔NIC 对应: GPU0↔mlx5_3, GPU1↔mlx5_2, GPU2↔mlx5_1, GPU3↔mlx5_0 # GPU4↔mlx5_5, GPU5↔mlx5_4, GPU6↔mlx5_9, GPU7↔mlx5_8 export NCCL_IB_HCA=mlx5_0,mlx5_1,mlx5_2,mlx5_3,mlx5_4,mlx5_5,mlx5_8,mlx5_9 export NCCL_IB_DISABLE=0 # NCCL bootstrap 网卡: 节点上有 k8s 虚拟网卡 (lvscare/kube-ipvs0), # 不指定会选错导致 connection refused, 内网 IP 在 bond0 上 # 注意: 不能用 ^bond (会把 bond0 也排掉), 必须明确写 bond0 export NCCL_SOCKET_IFNAME=bond0 export NCCL_IB_DISABLE=0 export NCCL_DEBUG=${NCCL_DEBUG:-WARN} # IB 为 InfiniBand link_layer (非 RoCE), GID 一般不用设 # 如报 GID 问题再放开: # export NCCL_IB_GID_INDEX=3