作者：昇腾实战派
知识地图：https://blog.csdn.net/Lumos_Lovegood/article/details/161455142
背景概述
在大规模深度学习训练任务中，多机多卡分布式训练已成为提升训练效率的主流方式。在实际使用PyTorch框架结合昇腾CANN进行8机训练任务时，我们遇到了任务拉起失败的问题。本文记录了该问题的详细排查过程与解决方案，旨在为遇到类似问题的开发者提供参考。
问题描述
在使用8台训练服务器进行分布式训练时，任务启动失败。关键报错信息显示HCCL（Heterogeneous Computing Communication Library）建链过程中出现socket超时（timeout[120s]）。初步日志显示，部分设备在初始化集合通信时未能正常完成握手。
相关环境信息如下：
- PyTorch 版本：2.6.0
- CANN 版本：8.3.RC1
- HDK 版本：25.3.rc1.2
问题根因与解决方案
经分析，问题主要由以下两方面原因导致：
- 通信网卡名未指定：HCCL在初始化时会自动选择通信网卡，在某些多网卡环境中可能选中非预期网卡，导致建链异常。
- 模型参数量大，通信延迟高：训练任务中的模型较大（显存占用约53GB），数据传输时间较长，默认的HCCL超时设置（120秒）不足，造成建链超时。
解决方案：
- 手动指定HCCL通信使用的网卡名，避免网卡选择冲突；
- 增大HCCL建链及通信的超时配置，确保大规模数据传输时可完成初始化。
关键配置示例：
exportHCCL_CONNECT_TIMEOUT=7200exportHCCL_SOCKET_TIMEOUT=3600排查过程
4.1 最小化复现与节点排查
我们首先尝试缩小问题范围：
- 单机及部分双机训练任务可正常执行；
- 4机训练任务运行正常，但扩展至5机时出现失败；
- 通过替换节点进行交叉测试，初步排除单机硬件问题，判断为通信或配置类问题。
4.2 定位HCCL网卡选择问题
日志中多次出现以下典型错误：
该报错
表明HCCL建链阶段发生超时。我们参考官方文档，为HCCL显式配置通信网卡，排除了网卡选择不一致所导致的问题。完成该配置后，双机训练任务稳定执行，但扩展至6机时仍会失败。
4.3 调整HCCL超时配置
继续分析6机训练失败的日志：
发现训练进程阻塞在数据传输阶段，显存占用高达53GB。由于模型较大、通信延迟较高，默认的HCCL超时设置已不适用。通过适当增大HCCL_CONNECT_TIMEOUT和HCCL_SOCKET_TIMEOUT参数值，最终8机训练任务可正常拉起并执行：
总结
本文分析了基于PyTorch和CANN进行多机分布式训练时出现的HCCL建链超时问题，并提供了通过指定通信网卡和调整超时配置的有效解决方案。在类似的大规模训练场景中，建议用户根据模型大小和网络状况合理设置HCCL参数，以保证训练任务顺利执行。
相关参考：
- HCCL 网卡配置：https://www.hiascend.com/document/detail/zh/canncommercial/850/commlib/hcclug/hcclug_000093.html
温馨提示：如您在使用中遇到类似问题，可优先检查网卡配置与超时参数，并根据训练规模适当调整相关环境变量。
