6个常见的IB网络不通问题

阅读原文时间：2023年08月09日阅读：1

摘要：如果遇到IB网络不通，可以试着从高层往底层逐步分析看看。

本文分享自华为云社区《常见IB网络不通问题记录》，作者： tsjsdbd 。

如果遇到IB网络不通，可以试着从高层往底层逐步分析看看。仅记录下，供难友参考：

报错：

machine-19: [0] transport/net_ib.cc:839 NCCL WARN NET/IB : Got completion with error 12, opcode 0, len 0, vendor err 129

原因：错误12，说明RDMA网络不通。

需要分析底层网络为什么不通。

比如：

是否单纯网络不通
pfc流控不对导致丢包。

如果是（2）这种偶现不通的话，可以参考pfc设置规则：《为什么华为云上AI训练必须设置NCCL_IB_TC=128》

报错1：

root@tsjsdbd:~# ib_write_bw

RDMA_Write BW Test
Dual-port : OFFDevice : mlx4_0
Number of qps : 1Transport type : IB
Connection type : RCUsing SRQ : OFF
CQ Moderation : 100
Mtu : 2048[B]
Link type : IB
Max inline data : 0[B]
rdma_cm QPs : OFF

Data ex. method : Ethernet

local address: LID 0x81 QPN 0x160b3 PSN 0xa072 RKey 0x68010802 VAddr 0x007f184171a000

remote address: LID 0x35 QPN 0xc5a0b PSN 0xaa465a RKey 0x20010802 VAddr 0x007f3ca2b9c000

#bytes #iterations BW peak[MB/sec] BW average[MB/sec] MsgRate[Mpps]
ethernet_read_keys: Couldn't read remote address
Unable to read to socket/rdam_cm
Failed to exchange data between server and clients

报错2：

root@tsjsdbd:~# ib_write_bw -F 29.26.130.185 -d mlx5_5

RDMA_Write BW Test
Dual-port : OFF Device : mlx5_5
Number of qps : 1 Transport type : IB
Connection type : RC Using SRQ : OFF
PCIe relax order: ON
ibv_wr* API : ON
TX depth : 128
CQ Moderation : 1
Mtu : 2048[B]
Link type : Ethernet
GID index : 3
Max inline data : 0[B]
rdma_cm QPs : OFF

Data ex. method : Ethernet

local address: LID 0x81 QPN 0x160b3 PSN 0xa072 RKey 0x68010802 VAddr 0x007f184171a000
GID: 00:00:00:00:00:00:00:00:00:00:255:255:29:26:130:235
remote address: LID 0x35 QPN 0xc5a0b PSN 0xaa465a RKey 0x20010802 VAddr 0x007f3ca2b9c000

GID: 00:00:00:00:00:00:00:00:00:00:255:255:29:26:130:185

#bytes #iterations BW peak[MB/sec] BW average[MB/sec] MsgRate[Mpps]
Completion with error at client
Failed status 12: wr_id 0 Syndrom 0x81
scnt=128, ccnt=0
Failed to complete run_iter_bw function successfully

说明网络不通，需要继续分析RDMA链路。

报错：

ibv_rc_pingpong -d mlx5_bond_0 -g 3 29.28.195.228
local address: LID 0x0000, QPN 0x01417f, PSN 0x63d7fa, GID ::ffff:29.28.201.21
remote address: LID 0x0000, QPN 0x00132d, PSN 0x8c0a5b, GID ::ffff:29.28.195.228
Failed status transport retry counter exceeded (12) for wr_id 2
parse WC failed 1

说明网络不通，需要分析IP网络为什么不通。

报错1：

rping -c -a 29.28.195.228 -v -C 10
cma event RDMA_CM_EVENT_ADDR_ERROR, error -110
waiting for addr/route resolution state 1

说明地址连不上，需要继续判断IP链路是否通。

报错2：

rping -c -a 29.28.197.165 -C 10 -v
cma event RDMA_CM_EVENT_REJECTED, error 8
wait for CONNECTED state 4
connect error -1

这个Reject表示连接被拒绝了。只是单纯的因为 rping 工作时需首先启动一个 server side 进程，然后从 client side 试图向 server side 发起连接。

所以要先启动Server端。

rping -s 29.28.201.211 -v

报错：

ping 29.28.195.228
PING 29.28.195.228 (29.28.195.228) 56(84) bytes of data.
From 29.28.204.80 icmp_seq=1 Destination Host Unreachable
From 29.28.204.80 icmp_seq=2 Destination Host Unreachable
From 29.28.204.80 icmp_seq=3 Destination Host Unreachable
From 29.28.204.80 icmp_seq=4 Destination Host Unreachable
^C
--- 29.28.195.228 ping statistics ---
5 packets transmitted, 0 received, +4 errors, 100% packet loss, time 4045ms

这个估计就快到根错误了，假设交换机连接都是OK的。那基本就是路由设置问题：

可以用

# ip route get 29.28.204.80 from 29.28.201.211
29.28.204.80 from 29.28.201.211 dev enp137s0f0 uid 0

来确认发送报文的网卡是否选择正确。

如果是「同网段多IB网卡」的情况，如A100 或者 A800服务，带8个IB网卡，并都在同一个网段。则需要通过策略路由设置「源地址路由」规则来解决各个IP互通的问题。见：《RoCE多网卡时，报文可以过去，但是回不来》

如果ping是通的，但是rping又不通。那就还要再底层看一看了（你也算天选之子了，跑这么底层定位错误）。

正常情况，学习到的arp表，一个IP地址对应一个网卡的MAC地址。

如下：

/home/tsj # arp -n | grep 29.28.201.211
29.28.201.211 ether 08:c0:eb:8c:10:6d C enp137s0f1

两端同时查看，如果发现一个IP地址，学习到的arp记录有多条不一样的，说明arp设置不对。

需要