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：

一、NCCL不通

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》

二、ib_write_bw不通

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 0x81scnt=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。

三、ibv_rc_pingpong不通

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:29.28.195.228Failed status transport retry counter exceeded (12) for wr_id 2parse WC failed 1

说明网络不通，需要分析IP网络为什么不通。

四、rping不通

报错1：

rping -c -a 29.28.195.228 -v -C 10cma event RDMA_CM_EVENT_ADDR_ERROR, error -110waiting 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 -vcma event RDMA_CM_EVENT_REJECTED, error 8wait for CONNECTED state 4connect 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

五、ping不通

报错：

ping 29.28.195.228PING 29.28.195.228 (29.28.195.228) 56(84) bytes of data.From 29.28.204.80 icmp_seq=1 Destination Host UnreachableFrom 29.28.204.80 icmp_seq=2 Destination Host UnreachableFrom 29.28.204.80 icmp_seq=3 Destination Host UnreachableFrom 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 29.28.201.21129.28.204.80 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》

六、ARP表不对

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 29.28.201.21129.28.201.211            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

  • 先清空arp表
  • 设置arp应答规则

其中，

（1）清空arp表有2种方式：

  • 指定某个IP清空：
arp -d 192.168.1.1
  • 清空所有arp：（咱们直接执行这个就行）
ip -s -s neigh flush all

（2）设置arp应答规则：

sysctl -w net.ipv4.conf.all.arp_ignore=1sysctl -w net.ipv4.conf.all.arp_announce=2

意思是只答复对应网卡的arp响应。

设置完后，再ping一次后，确认两边学习到的arp表是正确的。

点击关注，第一时间了解华为云新鲜技术~