Line data Source code
1 : /**
2 : * Copyright (c) 2025 Huawei Technologies Co., Ltd.
3 : * This program is free software, you can redistribute it and/or modify it under the terms and conditions of
4 : * CANN Open Software License Agreement Version 2.0 (the "License").
5 : * Please refer to the License for details. You may not use this file except in compliance with the License.
6 : * THIS SOFTWARE IS PROVIDED ON AN "AS IS" BASIS, WITHOUT WARRANTIES OF ANY KIND, EITHER EXPRESS OR IMPLIED,
7 : * INCLUDING BUT NOT LIMITED TO NON-INFRINGEMENT, MERCHANTABILITY, OR FITNESS FOR A PARTICULAR PURPOSE.
8 : * See LICENSE in the root of the software repository for the full text of the License.
9 : */
10 : #include "hcclCommTaskException.h"
11 : #include <memory>
12 : #include "log.h"
13 : #include "coll_comm.h"
14 : #include "acl/acl_rt.h"
15 : #include "orion_adapter_hccp.h"
16 : #include "hcomm_adapter_hccp.h"
17 : #include <adapter_error_manager_pub.h>
18 : #include "op_type.h"
19 : #include "task_exception_handler.h"
20 : #include "ccuTaskException.h"
21 : #include "hccl_types.h"
22 : #include "dpu_kernel_entrance.h"
23 :
24 : namespace hcomm {
25 :
26 : using namespace std;
27 :
28 : constexpr u32 MAX_MODULE_DEVICE_NUM_V2 = 65;
29 : constexpr uint32_t TASK_CONTEXT_SIZE = 50;
30 : constexpr uint32_t TASK_CONTEXT_INFO_SIZE = LOG_TMPBUF_SIZE - 50; // task 执行失败时打印前序task信息的长度限制
31 :
32 : // Leaky Singleton: 故意不释放，规避 Static Destruction Order Fiasco，
33 : // 确保 RTS 回调访问 handlers_ 时内存仍有效
34 : static TaskExceptionHost* handlers_ = new TaskExceptionHost[MAX_MODULE_DEVICE_NUM_V2];
35 : GetAicpuCqeErrInfoCallBackHcomm g_getAicpuCqeErrInfoCallBack = nullptr;
36 : AicpuGetErrStatusVecCallBack g_AicpuGetErrStatusVecCallBack = nullptr;
37 :
38 46 : void RegisterGetAicpuCqeErrInfoCallBackHcomm(GetAicpuCqeErrInfoCallBackHcomm p1)
39 : {
40 46 : g_getAicpuCqeErrInfoCallBack = p1;
41 46 : return;
42 : }
43 :
44 0 : void TaskExceptionHost::ClusterMoniterGetAicpuCqeErrInfo(
45 : u32 remoteLocalId, u32 locDeviceId, uint16_t status, string localEid, string remoteEid, string remoteInsId) const
46 : {
47 0 : if (g_getAicpuCqeErrInfoCallBack != nullptr) {
48 0 : g_getAicpuCqeErrInfoCallBack(remoteLocalId, locDeviceId, status, localEid, remoteEid, remoteInsId);
49 : } else {
50 0 : HCCL_RUN_WARNING("[ClusterMoniterGetAicpuCqeErrInfo]g_getAicpuCqeErrInfoCallBack is nullptr.");
51 : }
52 0 : return;
53 : }
54 :
55 46 : void RegisterAicpuGetErrStatusVecCallBack(AicpuGetErrStatusVecCallBack p1)
56 : {
57 46 : g_AicpuGetErrStatusVecCallBack = p1;
58 46 : return;
59 : }
60 :
61 0 : std::vector<std::string> AicpuGetErrStatusVec(s32 deviceLogicID)
62 : {
63 0 : if (g_AicpuGetErrStatusVecCallBack != nullptr) {
64 0 : return g_AicpuGetErrStatusVecCallBack(deviceLogicID);
65 : } else {
66 0 : HCCL_RUN_WARNING("[AicpuGetErrStatusVec]g_AicpuGetErrStatusVecCallBack is nullptr.");
67 : }
68 0 : return std::vector<std::string>();
69 : }
70 :
71 0 : std::string AicpuGetAndPrintClusterMonitorErr(const rtExceptionInfo* exceptionInfo)
72 : {
73 0 : auto errStatusVec = AicpuGetErrStatusVec(exceptionInfo->deviceid);
74 0 : std::string errMsg = "";
75 0 : int errSize = errStatusVec.size();
76 0 : if (errSize > 0) {
77 0 : int maxListSize = 3; // 放入errMsg中的异常事件最多只有3个
78 0 : if (errSize <= maxListSize) {
79 0 : errMsg = "\nthere are(is) " + std::to_string(errSize) + " abnormal device(s):\n";
80 : } else {
81 0 : errMsg = "\nthere are " + std::to_string(errSize) + " abnormal device(s), "
82 0 : + "only the first 3 devices are listed:\n";
83 : }
84 :
85 0 : for (int i = 0; i < errSize; i++) {
86 0 : HCCL_ERROR("%s", errStatusVec[i].c_str());
87 0 : if (i < maxListSize) {
88 0 : errMsg += ("\t" + errStatusVec[i] + "\n");
89 : }
90 : }
91 : }
92 0 : return errMsg;
93 0 : }
94 :
95 345 : TaskExceptionHost* TaskExceptionHost::GetInstance(s32 deviceLogicID)
96 : {
97 345 : if (deviceLogicID < 0 || static_cast<u32>(deviceLogicID) >= MAX_MODULE_DEVICE_NUM_V2) {
98 0 : HCCL_ERROR("[TaskExceptionHost][GetInstance] deviceLogicID[%d] is invalid", deviceLogicID);
99 0 : return nullptr;
100 : }
101 345 : return &handlers_[deviceLogicID];
102 : }
103 :
104 0 : TaskExceptionHost::~TaskExceptionHost()
105 : {
106 0 : std::unique_lock<std::mutex> lock(taskExceptionMutex_);
107 0 : if (!CommRegisterMap_.empty()) {
108 0 : CommRegisterMap_.clear();
109 0 : aclError ret = aclrtExceptionInfoCallbackUnregister(ProcessCallback); // 注销注册给rts的TaskException回调
110 0 : HCCL_RUN_INFO("[%s]aclrtExceptionInfoCallbackUnregister, ret[%d]", __func__, ret);
111 : }
112 0 : }
113 :
114 1 : void TaskExceptionHost::ProcessCallback(rtExceptionInfo_t* exceptionInfo)
115 : {
116 1 : CHK_PRT_RET(exceptionInfo == nullptr, HCCL_ERROR("[%s]fail, exceptionInfo is nullptr", __func__), );
117 :
118 0 : TaskExceptionHost* handler = TaskExceptionHost::GetInstance(exceptionInfo->deviceid);
119 0 : CHK_PRT_RET(handler == nullptr, HCCL_ERROR("[%s]fail, TaskExceptionHost is nullptr", __func__), );
120 0 : handler->Process(exceptionInfo);
121 : }
122 :
123 146 : HcclResult TaskExceptionHost::Register(u64 commHandle)
124 : {
125 146 : std::unique_lock<std::mutex> lock(taskExceptionMutex_);
126 146 : if (CommRegisterMap_.empty()) {
127 145 : aclError ret = aclrtExceptionInfoCallbackRegister(ProcessCallback);
128 145 : CHK_PRT_RET(
129 : ret != ACL_SUCCESS, HCCL_ERROR("[%s]aclrtExceptionInfoCallbackRegister failed, ret[%d]", __func__, ret),
130 : HCCL_E_RUNTIME);
131 145 : HCCL_RUN_INFO("[%s]aclrtExceptionInfoCallbackRegister set ProcessCallback success", __func__);
132 : }
133 :
134 146 : CommRegisterMap_.insert(commHandle);
135 146 : HCCL_INFO("[%s]success, commHandle[0x%llx]", __func__, commHandle);
136 146 : return HCCL_SUCCESS;
137 146 : }
138 :
139 187 : HcclResult TaskExceptionHost::UnRegister(u64 commHandle)
140 : {
141 187 : std::unique_lock<std::mutex> lock(taskExceptionMutex_);
142 187 : if (CommRegisterMap_.find(commHandle) == CommRegisterMap_.end()) {
143 41 : HCCL_INFO("[%s] commHandle[0x%llx] has not registered, skip", __func__, commHandle);
144 41 : return HCCL_SUCCESS;
145 : }
146 :
147 146 : CommRegisterMap_.erase(commHandle);
148 146 : if (CommRegisterMap_.empty()) {
149 145 : aclError ret = aclrtExceptionInfoCallbackUnregister(ProcessCallback); // 注销注册给rts的TaskException回调
150 145 : CHK_PRT_RET(
151 : ret != ACL_SUCCESS, HCCL_ERROR("[%s]aclrtExceptionInfoCallbackUnregister failed, ret[%d]", __func__, ret),
152 : HCCL_E_RUNTIME);
153 145 : HCCL_RUN_INFO("[%s]aclrtExceptionInfoCallbackUnregister success", __func__);
154 : }
155 :
156 146 : HCCL_INFO("[%s]success, commHandle[0x%llx]", __func__, commHandle);
157 146 : return HCCL_SUCCESS;
158 187 : }
159 :
160 0 : HcclResult TaskExceptionHost::PrintUbRegisters(s32 devLogicId, const RdmaHandle rdmaHandle) const
161 : {
162 0 : HCCL_INFO("[PrintUbRegister] start, devLogicId[%d], rdmaHandle[%p]", devLogicId, rdmaHandle);
163 0 : Hccl::AuxInfoIn in;
164 0 : in.cqe.status = 0xffffffff; // 0xffffffff代表查询所有寄存器
165 0 : in.auxInfoInType = Hccl::AuxInfoInType::AUX_INFO_IN_TYPE_CQE;
166 0 : in.cqe.sR = 0;
167 0 : Hccl::AuxInfoOut auxInfo;
168 0 : auto ret = Hccl::RaGetAuxInfo(rdmaHandle, in, auxInfo);
169 0 : if (ret != HCCL_SUCCESS) {
170 0 : HCCL_ERROR("[PrintUbRegister]GetUbRegisterInfo failed, devLogicId[%d], rdmaHandle[%p]", devLogicId, rdmaHandle);
171 0 : return ret;
172 : }
173 :
174 0 : bool isAuxInfoExisted{false};
175 0 : for (u32 i = 0; i < auxInfo.auxInfoNum; i++) {
176 0 : if (auxInfo.auxInfoValues[i] != 0) { // 非零进行打印
177 0 : isAuxInfoExisted = true;
178 0 : HCCL_ERROR(
179 : "devLogicId[%d], cqe_aux_info_type[%u], cqe_aux_info_value[0x%x]", devLogicId, auxInfo.auxInfoTypes[i],
180 : auxInfo.auxInfoValues[i]);
181 : } else {
182 0 : HCCL_INFO(
183 : "devLogicId[%d], cqe_aux_info_type[%u], cqe_aux_info_value[0x%x]", devLogicId, auxInfo.auxInfoTypes[i],
184 : auxInfo.auxInfoValues[i]);
185 : }
186 : }
187 0 : if (!isAuxInfoExisted) {
188 0 : HCCL_ERROR("devLogicId[%d], all aux_info values are zero.", devLogicId);
189 : }
190 0 : return HCCL_SUCCESS;
191 : }
192 :
193 7 : bool IsMC2Exception(const rtExceptionInfo_t* exceptionInfo)
194 : {
195 7 : return exceptionInfo->expandInfo.type == RT_EXCEPTION_FUSION
196 7 : && exceptionInfo->expandInfo.u.fusionInfo.type == RT_FUSION_AICORE_CCU;
197 : }
198 :
199 7 : bool TaskExceptionHost::ProcessDpuException(const rtExceptionInfo_t* exceptionInfo) const
200 : {
201 7 : HCCL_RUN_INFO("[TaskExceptionHost][%s]begin to execute hccl task exception callback function.", __func__);
202 7 : bool isExce = false;
203 7 : errno_t ret = EOK;
204 7 : uint16_t hcclRet = 0;
205 7 : for (auto pairMap : g_taskExpMemMap) {
206 0 : std::string commId = pairMap.first;
207 : // 读取共享内存内容并打印
208 0 : ret = memcpy_s(
209 : &hcclRet, sizeof(uint16_t),
210 0 : reinterpret_cast<uint8_t*>(pairMap.second[exceptionInfo->deviceid]) + sizeof(uint8_t) + sizeof(uint16_t),
211 : sizeof(uint16_t));
212 0 : if (ret != EOK) {
213 0 : HCCL_ERROR("memcpy_s get dpu taskexception failed: %d", ret);
214 0 : return isExce;
215 : }
216 0 : if (hcclRet != 0) { // 有dpu任务出错
217 0 : HCCL_ERROR("[TaskExceptionHost][ProcessDpuException] Task from HCCL run failed.");
218 0 : HCCL_ERROR(
219 : "[TaskExceptionHost][ProcessDpuException] errorCode[%d], devId[%u], commId[%s]", hcclRet,
220 : exceptionInfo->deviceid, commId.c_str());
221 0 : ret = memset_s(
222 0 : reinterpret_cast<uint8_t*>(pairMap.second[exceptionInfo->deviceid]) + sizeof(uint8_t)
223 0 : + sizeof(uint16_t),
224 : sizeof(uint16_t), 0, sizeof(uint16_t)); // 清空 dpu taskexception共享内存内容
225 0 : if (ret != EOK) {
226 0 : HCCL_ERROR("memset_s clean dpu taskexception failed: %d", ret);
227 0 : return isExce;
228 : }
229 0 : isExce = true;
230 0 : break;
231 : }
232 0 : }
233 7 : return isExce;
234 : }
235 :
236 7 : void TaskExceptionHost::Process(rtExceptionInfo_t* exceptionInfo)
237 : {
238 7 : HCCL_RUN_INFO(
239 : "[TaskExceptionHost][%s], taskid[%u], streamid[%u], tid[%u], deviceid[%u], retcode[%u], type[%d]", __func__,
240 : exceptionInfo->taskid, exceptionInfo->streamid, exceptionInfo->tid, exceptionInfo->deviceid,
241 : exceptionInfo->retcode, exceptionInfo->expandInfo.type);
242 :
243 7 : if (IsMC2Exception(exceptionInfo)) { // MC2 taskException 新流程暂未支持，回退到老流程
244 0 : Hccl::TaskExceptionHandler::Process(exceptionInfo);
245 7 : return;
246 : }
247 :
248 : // dpu taskexception
249 7 : if (ProcessDpuException(exceptionInfo)) {
250 0 : HCCL_ERROR("[TaskExceptionHost][ProcessDpuException] end.");
251 0 : return;
252 : };
253 :
254 7 : Hccl::TaskInfo* curTask = nullptr;
255 7 : HcclResult ret = Hccl::GlobalMirrorTasks::Instance().FindTaskInfo(
256 : exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid, curTask);
257 7 : CHK_PRT_RET(
258 : ret == HCCL_E_NOT_FOUND,
259 : HCCL_RUN_WARNING(
260 : "[%s]FindTaskInfo not found, deviceid[%u] streamid[%u] taskid[%u].", __func__, exceptionInfo->deviceid,
261 : exceptionInfo->streamid, exceptionInfo->taskid), );
262 :
263 0 : CHK_PRT_RET(
264 : ret != HCCL_SUCCESS || curTask == nullptr,
265 : HCCL_ERROR(
266 : "[%s]FindTaskInfo fail, ret[%d], deviceid[%u], streamid[%u], taskid[%u].", __func__, ret,
267 : exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid), );
268 :
269 0 : CHK_PRT_RET(curTask->dfxOpInfo_ == nullptr, HCCL_ERROR("[%s]fail, dfxOpInfo is nullptr", __func__), );
270 0 : bool isIndop_ = curTask->dfxOpInfo_->isIndop_;
271 0 : HCCL_INFO("[%s]isIndop_[%d], taskType[%s]", __func__, isIndop_, curTask->taskParam_.taskType.Describe().c_str());
272 :
273 : // 老流程TaskException打印
274 0 : if (!isIndop_) {
275 0 : Hccl::TaskExceptionHandler::Process(exceptionInfo);
276 0 : return;
277 : }
278 :
279 : // 新流程支持的TaskException打印
280 0 : std::unique_lock<std::mutex> lock(taskExceptionMutex_);
281 0 : u64 commHandle = reinterpret_cast<u64>(curTask->dfxOpInfo_->comm_);
282 0 : if (curTask->dfxOpInfo_->comm_ == nullptr || CommRegisterMap_.find(commHandle) == CommRegisterMap_.end()) {
283 0 : HCCL_ERROR(
284 : "[TaskExceptionHost][%s] commHandle[0x%llx] not exist, "
285 : "the comm may have been destroyed or was never registered",
286 : __func__, commHandle);
287 0 : return;
288 : }
289 :
290 0 : if (curTask->taskParam_.taskType == Hccl::TaskParamType::TASK_CCU) {
291 0 : CcuTaskException::ProcessCcuException(exceptionInfo, *curTask);
292 : } else {
293 0 : ProcessException(exceptionInfo, *curTask);
294 : }
295 0 : }
296 :
297 0 : std::string TaskExceptionHost::GetGroupRankInfo(const Hccl::TaskInfo& taskInfo) const
298 : {
299 0 : if (taskInfo.dfxOpInfo_ == nullptr || taskInfo.dfxOpInfo_->comm_ == nullptr) {
300 0 : HCCL_ERROR("[TaskInfo][%s]TaskInfo communicator is nullptr.", __func__);
301 0 : return "";
302 : }
303 :
304 0 : hccl::CollComm* communicator = static_cast<hccl::CollComm*>(taskInfo.dfxOpInfo_->comm_);
305 : return Hccl::StringFormat(
306 0 : "group:[%s], rankSize[%u], rankId[%u]", communicator->GetCommId().c_str(), communicator->GetRankSize(),
307 0 : communicator->GetMyRankId());
308 : }
309 :
310 0 : void TaskExceptionHost::GetAicpuCqeErrRemoteLocalIdByRankId(
311 : hccl::CollComm* collComm, uint32_t rankid, u32& remoteLocalId) const
312 : {
313 0 : if (collComm == nullptr || rankid == Hccl::DFX_INVALID_RANKID) {
314 0 : HCCL_ERROR("[GetAicpuCqeErrRemoteLocalIdByRankId]collComm is nullptr or rankId is invalid, rankId[%u]", rankid);
315 0 : remoteLocalId = Hccl::DFX_INVALID_RANKID;
316 0 : return;
317 : }
318 :
319 0 : Hccl::HcclCommunicator* commV2 = static_cast<Hccl::HcclCommunicator*>(collComm->GetCommunicatorV2());
320 0 : if (commV2 == nullptr) {
321 0 : HCCL_ERROR("[GetAicpuCqeErrRemoteLocalIdByRankId]commV2 is nullptr, rankId[%u]", rankid);
322 0 : remoteLocalId = Hccl::DFX_INVALID_RANKID;
323 0 : return;
324 : }
325 0 : void* rankGraph = nullptr;
326 0 : HcclResult ret = commV2->GetRankGraphV2(rankGraph);
327 0 : if (ret != HCCL_SUCCESS) {
328 0 : HCCL_ERROR("[GetAicpuCqeErrRemoteLocalIdByRankId]GetRankGraphV2 failed, rankId[%u], ret[%d]", rankid, ret);
329 0 : remoteLocalId = Hccl::DFX_INVALID_RANKID;
330 0 : return;
331 : }
332 0 : Hccl::RankGraph* rankGraphv2 = static_cast<Hccl::RankGraph*>(rankGraph);
333 0 : u32 LocalId = rankGraphv2->GetLocalId(rankid);
334 0 : remoteLocalId = LocalId;
335 0 : return;
336 : }
337 :
338 0 : void TaskExceptionHost::GetAicpuCqeErrNetInstanceByRankId(
339 : hccl::CollComm* collComm, uint32_t rankid, std::string& netInstanceId) const
340 : {
341 0 : if (collComm == nullptr || rankid == Hccl::DFX_INVALID_RANKID) {
342 0 : HCCL_ERROR("[GetAicpuCqeErrNetInstanceByRankId]collComm is nullptr or rankId is invalid, rankId[%u]", rankid);
343 0 : netInstanceId = "";
344 0 : return;
345 : }
346 :
347 0 : Hccl::HcclCommunicator* commV2 = static_cast<Hccl::HcclCommunicator*>(collComm->GetCommunicatorV2());
348 0 : if (commV2 == nullptr) {
349 0 : HCCL_ERROR("[GetAicpuCqeErrNetInstanceByRankId]commV2 is nullptr, rankId[%u]", rankid);
350 0 : netInstanceId = "";
351 0 : return;
352 : }
353 0 : void* rankGraph = nullptr;
354 0 : HcclResult ret = commV2->GetRankGraphV2(rankGraph);
355 0 : if (ret != HCCL_SUCCESS) {
356 0 : HCCL_ERROR("[GetAicpuCqeErrNetInstanceByRankId]GetRankGraphV2 failed, rankId[%u], ret[%d]", rankid, ret);
357 0 : netInstanceId = "";
358 0 : return;
359 : }
360 0 : Hccl::RankGraph* rankGraphv2 = static_cast<Hccl::RankGraph*>(rankGraph);
361 0 : const Hccl::NetInstance* netInstance = rankGraphv2->GetNetInstanceByRankId(0, rankid);
362 0 : if (netInstance == nullptr) {
363 0 : HCCL_ERROR("[GetAicpuCqeErrNetInstanceByRankId]netInstance is nullptr, rankId[%u]", rankid);
364 0 : netInstanceId = "";
365 0 : return;
366 : }
367 0 : std::string netInsId = netInstance->GetNetInstId();
368 0 : netInstanceId = netInsId;
369 0 : return;
370 0 : }
371 :
372 0 : void TaskExceptionHost::GetAicpuCqeErrInfo(
373 : rtExceptionInfo_t* exceptionInfo, const Hccl::ErrorMessageReport& errorMessage,
374 : const Hccl::TaskInfo& taskInfo) const
375 : {
376 0 : hccl::CollComm* collComm = static_cast<hccl::CollComm*>(taskInfo.dfxOpInfo_->comm_);
377 0 : u32 remoteLocalId = Hccl::DFX_INVALID_RANKID;
378 0 : GetAicpuCqeErrRemoteLocalIdByRankId(collComm, errorMessage.remoteUserRank, remoteLocalId);
379 0 : std::string netInstanceId = "";
380 0 : GetAicpuCqeErrNetInstanceByRankId(collComm, errorMessage.remoteUserRank, netInstanceId);
381 0 : ClusterMoniterGetAicpuCqeErrInfo(
382 0 : remoteLocalId, exceptionInfo->deviceid, errorMessage.ubCqeStatus, errorMessage.locEid.Describe(),
383 0 : errorMessage.rmtEid.Describe(), netInstanceId); // 上报AICPU CQE错误信息到集群监控
384 0 : return;
385 0 : }
386 :
387 0 : void TaskExceptionHost::ProcessException(rtExceptionInfo_t* exceptionInfo, const Hccl::TaskInfo& taskInfo)
388 : {
389 0 : HCCL_RUN_INFO("[TaskExceptionHost][%s]begin to execute hccl task exception callback function.", __func__);
390 0 : Hccl::ErrorMessageReport errorMessage;
391 0 : if (!hasAicpuReport_) { // 防止aicpu task exception重复上报
392 0 : hccl::CollComm* communicator = static_cast<hccl::CollComm*>(taskInfo.dfxOpInfo_->comm_);
393 0 : errorMessage = communicator->GetAicpuTaskException();
394 : }
395 :
396 0 : if (strlen(errorMessage.tag) > 0) {
397 0 : hasAicpuReport_ = true;
398 0 : HandleAicpuErrorReport(exceptionInfo, errorMessage, taskInfo);
399 : } else {
400 0 : HandleHostErrorReport(exceptionInfo, taskInfo);
401 : }
402 0 : }
403 :
404 0 : void TaskExceptionHost::HandleHostErrorReport(rtExceptionInfo_t* exceptionInfo, const Hccl::TaskInfo& taskInfo) const
405 : {
406 0 : HCCL_ERROR("[TaskExceptionHost][%s]Task from HCCL run failed.", __func__);
407 0 : if (taskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_NOTIFY_WAIT) {
408 0 : PrintTaskContextInfo(exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid);
409 0 : RPT_INPUT_ERR(
410 : true, "EI0002",
411 : std::vector<std::string>({"remote_rankid", "base_information", "task_information", "group_rank_content"}),
412 : std::vector<std::string>(
413 : {std::to_string(taskInfo.remoteRank_), taskInfo.GetBaseInfo(), (taskInfo.GetParaInfo()), ""}));
414 : }
415 0 : std::string clusterMonitorErrMsg = AicpuGetAndPrintClusterMonitorErr(exceptionInfo);
416 0 : HCCL_ERROR(
417 : "[TaskExceptionHost]Task run failed, base information is deviceID:[%u], %s.", exceptionInfo->deviceid,
418 : taskInfo.GetIndopBaseInfo().c_str());
419 0 : HCCL_ERROR("[TaskExceptionHost]Task run failed, para information is %s.", taskInfo.GetParaInfo().c_str());
420 0 : HCCL_ERROR("[TaskExceptionHost]Task run failed, groupRank information is %s.", GetGroupRankInfo(taskInfo).c_str());
421 0 : HCCL_ERROR("[TaskExceptionHost]Task run failed, opData information is %s.", taskInfo.GetIndopDataInfo().c_str());
422 0 : }
423 :
424 4 : void TaskExceptionHost::PrintTaskContextInfo(uint32_t deviceId, uint32_t streamId, uint32_t taskId) const
425 : {
426 4 : Hccl::TaskInfoQueue* queue = nullptr;
427 : try {
428 4 : queue = Hccl::GlobalMirrorTasks::Instance().GetQueue(deviceId, streamId);
429 0 : } catch (Hccl::HcclException& e) {
430 0 : HCCL_ERROR("Exception task queue not found. deviceId[%u], streamId[%u].", deviceId, streamId);
431 0 : return;
432 0 : }
433 :
434 4 : if (queue == nullptr) {
435 : // 未找到异常对应的TaskQueue
436 0 : HCCL_ERROR("Exception task queue not found. deviceId[%u], streamId[%u].", deviceId, streamId);
437 0 : return;
438 : }
439 :
440 31 : auto func = [taskId](const unique_ptr<Hccl::TaskInfo>& task) {
441 31 : return task->taskId_ == taskId;
442 4 : };
443 4 : auto taskIterPtr = queue->Find(func);
444 4 : if (taskIterPtr == nullptr || *taskIterPtr == *queue->End()) {
445 : // 在队列中未找到异常对应的TaskInfo
446 1 : HCCL_ERROR("Exception task not found. deviceId[%u], streamId[%u], taskId[%u].", deviceId, streamId, taskId);
447 1 : return;
448 : }
449 :
450 : // 找到当前异常task的前50个task(至多)
451 3 : vector<Hccl::TaskInfo*> taskContext{};
452 10 : for (uint32_t i = 0; i < TASK_CONTEXT_SIZE && *taskIterPtr != *queue->Begin(); ++i, --(*taskIterPtr)) {
453 8 : if ((**taskIterPtr)->taskId_ > taskId) {
454 1 : HCCL_ERROR(
455 : "[%s]prev taskId[%u]is bigger than err taskId[%u], traversal end.", __func__, (**taskIterPtr)->taskId_,
456 : taskId);
457 1 : break;
458 : }
459 7 : taskContext.emplace_back((**taskIterPtr).get());
460 : }
461 :
462 3 : HCCL_ERROR("[TaskExceptionHost]Task run failed, context sequence before error task is "
463 : "[SDMA:M(rank), RDMA:RS(rank,id), SendPayload:SP(rank), InlineReduce:IR(rank), Reduce:R(rank), "
464 : "NotifyRecord:NR(rank,id), NotifyWait:NW(rank,id), SendNotify:SN(rank,id), "
465 : "WriteWithNotify:WN(rank,id), WriteReduceWithNotify:WRN(rank,id)]:");
466 :
467 3 : std::string taskContextInfo = "";
468 10 : for (auto it = taskContext.rbegin(); it != taskContext.rend(); ++it) {
469 7 : std::string conciseInfo = (*it)->GetConciseBaseInfo();
470 7 : conciseInfo += ",";
471 :
472 7 : if (taskContextInfo.size() + conciseInfo.size() >= TASK_CONTEXT_INFO_SIZE) {
473 0 : HCCL_ERROR("[TaskExceptionHost]%s", taskContextInfo.c_str());
474 0 : taskContextInfo = "";
475 : }
476 :
477 7 : taskContextInfo += conciseInfo;
478 7 : }
479 3 : HCCL_ERROR("[TaskExceptionHost]%s end.", taskContextInfo.c_str());
480 4 : }
481 :
482 0 : inline void PrintBaseErrorLog(const std::string& stageErrInfo, const std::string& baseInfo)
483 : {
484 0 : HCCL_ERROR("%sTask run failed, base information is %s", stageErrInfo.c_str(), baseInfo.c_str());
485 0 : }
486 :
487 0 : inline void PrintParaErrorLog(const std::string& stageErrInfo, const std::string& paraInfoStr)
488 : {
489 0 : HCCL_ERROR("%sTask run failed, para information is %s.", stageErrInfo.c_str(), paraInfoStr.c_str());
490 0 : }
491 :
492 0 : inline void PrintOpDataErrorLog(const std::string& stageErrInfo, const std::string& opDataContent)
493 : {
494 0 : HCCL_ERROR("%sTask run failed, opData information is %s", stageErrInfo.c_str(), opDataContent.c_str());
495 0 : }
496 :
497 0 : inline void PrintGroupErrorLog(const std::string& stageErrInfo, const std::string& groupRankContent)
498 : {
499 0 : HCCL_ERROR("%sTask run failed, groupRank information is %s.", stageErrInfo.c_str(), groupRankContent.c_str());
500 0 : }
501 :
502 0 : void TaskExceptionHost::PrintGroupErrorMessage(
503 : const Hccl::ErrorMessageReport& errorMessage, [[maybe_unused]] const Hccl::TaskInfo& exceptionTaskInfo,
504 : std::string& groupRankContent, std::string& stageErrInfo) const
505 : {
506 0 : groupRankContent += "group:[";
507 0 : groupRankContent += std::string(errorMessage.group);
508 0 : groupRankContent += "], rankSize[";
509 0 : groupRankContent += std::to_string(errorMessage.rankSize);
510 0 : groupRankContent += "], localRank[";
511 0 : groupRankContent += std::to_string(errorMessage.rankId);
512 0 : groupRankContent += "], remoteRank[";
513 0 : groupRankContent += std::to_string(errorMessage.remoteUserRank);
514 0 : groupRankContent += "]";
515 :
516 0 : PrintGroupErrorLog(stageErrInfo, groupRankContent);
517 0 : return;
518 : }
519 :
520 : const std::map<HcclReduceOp, std::string> HCOM_REDUCE_OP_STR_MAP{
521 : {HcclReduceOp::HCCL_REDUCE_SUM, "sum"},
522 : {HcclReduceOp::HCCL_REDUCE_PROD, "prod"},
523 : {HcclReduceOp::HCCL_REDUCE_MAX, "max"},
524 : {HcclReduceOp::HCCL_REDUCE_MIN, "min"},
525 : {HcclReduceOp::HCCL_REDUCE_RESERVED, "invalid"}};
526 :
527 0 : inline std::string GetReduceOpEnumStr2(HcclReduceOp reduceOp)
528 : {
529 0 : auto iter = HCOM_REDUCE_OP_STR_MAP.find(reduceOp);
530 0 : if (iter == HCOM_REDUCE_OP_STR_MAP.end()) {
531 0 : return "HcclReduceOp(" + std::to_string(reduceOp) + ")";
532 : } else {
533 0 : return iter->second;
534 : }
535 : }
536 :
537 : const std::map<HcclDataType, std::string> HCOM_DATA_TYPE_STR_MAP{
538 : {HcclDataType::HCCL_DATA_TYPE_INT8, "int8"}, {HcclDataType::HCCL_DATA_TYPE_INT16, "int16"},
539 : {HcclDataType::HCCL_DATA_TYPE_INT32, "int32"}, {HcclDataType::HCCL_DATA_TYPE_INT64, "int64"},
540 : {HcclDataType::HCCL_DATA_TYPE_UINT64, "uint64"}, {HcclDataType::HCCL_DATA_TYPE_FP16, "float16"},
541 : {HcclDataType::HCCL_DATA_TYPE_FP32, "float32"}, {HcclDataType::HCCL_DATA_TYPE_UINT8, "uint8"},
542 : {HcclDataType::HCCL_DATA_TYPE_UINT16, "uint16"}, {HcclDataType::HCCL_DATA_TYPE_UINT32, "uint32"},
543 : {HcclDataType::HCCL_DATA_TYPE_FP64, "float64"}, {HcclDataType::HCCL_DATA_TYPE_BFP16, "bfloat16"},
544 : {HcclDataType::HCCL_DATA_TYPE_INT128, "int128"}, {HcclDataType::HCCL_DATA_TYPE_FP8E4M3, "fp8e4m3"},
545 : {HcclDataType::HCCL_DATA_TYPE_FP8E5M2, "fp8e5m2"}, {HcclDataType::HCCL_DATA_TYPE_RESERVED, "reserved"}};
546 :
547 0 : inline std::string GetDataTypeEnumStr2(HcclDataType dataType)
548 : {
549 0 : auto iter = HCOM_DATA_TYPE_STR_MAP.find(dataType);
550 0 : if (iter == HCOM_DATA_TYPE_STR_MAP.end()) {
551 0 : return "HcclDataType(" + std::to_string(dataType) + ")";
552 : } else {
553 0 : return iter->second;
554 : }
555 : }
556 :
557 0 : inline std::string GetDataTypeEnumStr(u32 dataType)
558 : {
559 0 : auto hcclDataType = static_cast<HcclDataType>(dataType);
560 0 : return GetDataTypeEnumStr2(hcclDataType);
561 : }
562 : inline std::string GetOpTypeEnumStr(u32 opType)
563 : {
564 : Hccl::OpType hcclOpType = static_cast<Hccl::OpType::Value>(opType);
565 : return hcclOpType.Describe();
566 : }
567 :
568 0 : void TaskExceptionHost::PrintOpDataErrorMessage(
569 : u32 deviceId, const Hccl::ErrorMessageReport& errorMessage, std::string& stageErrInfo) const
570 : {
571 0 : std::stringstream opDataStr;
572 0 : opDataStr << "src" << "[0x" << std::hex << errorMessage.srcAddr << "], dst[0x" << std::hex << errorMessage.dstAddr
573 0 : << "], ";
574 :
575 0 : std::string opStr;
576 0 : if (errorMessage.reduceType != HcclReduceOp::HCCL_REDUCE_RESERVED) {
577 0 : opStr += "reduceType[";
578 0 : opStr += GetReduceOpEnumStr2(static_cast<HcclReduceOp>(errorMessage.reduceType));
579 0 : opStr += "], ";
580 : }
581 :
582 0 : std::string opDataContent;
583 0 : opDataContent += "deviceId:[";
584 0 : opDataContent += std::to_string(deviceId);
585 0 : opDataContent += "], index[";
586 0 : opDataContent += std::to_string(errorMessage.opIndex);
587 0 : opDataContent += "], count[";
588 0 : opDataContent += std::to_string(errorMessage.count);
589 0 : opDataContent += "], ";
590 0 : opDataContent += opStr;
591 0 : opDataContent += opDataStr.str();
592 0 : opDataContent += "dataType[";
593 0 : opDataContent += GetDataTypeEnumStr(errorMessage.dataType);
594 0 : opDataContent += "].";
595 :
596 0 : PrintOpDataErrorLog(stageErrInfo, opDataContent);
597 0 : return;
598 0 : }
599 :
600 0 : void TaskExceptionHost::ReportErrorMsg(
601 : const Hccl::TaskInfo& exceptionTaskInfo, [[maybe_unused]] const std::string& groupRankContent,
602 : const Hccl::ErrorMessageReport& errorMessage, rtExceptionInfo_t* exceptionInfo) const
603 : {
604 0 : HCCL_RUN_INFO("[ReportErrorMsg] start, taskType[%d]", exceptionTaskInfo.taskParam_.taskType);
605 :
606 0 : std::string clusterMonitorErrMsg = AicpuGetAndPrintClusterMonitorErr(exceptionInfo);
607 :
608 0 : if (exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_NOTIFY_WAIT) {
609 0 : HCCL_ERROR("[ReportErrorMsg] EI0002");
610 0 : RPT_INPUT_ERR(
611 : true, "EI0002",
612 : std::vector<std::string>({"remote_rankid", "base_information", "task_information", "group_rank_content"}),
613 : std::vector<std::string>(
614 : {std::to_string(exceptionTaskInfo.remoteRank_), exceptionTaskInfo.GetIndopBaseInfo().c_str(),
615 : (exceptionTaskInfo.GetParaInfo() + clusterMonitorErrMsg).c_str(), ""}));
616 0 : } else if (
617 0 : exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY
618 0 : || exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_WRITE_WITH_NOTIFY
619 0 : || exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_UB_INLINE_WRITE
620 0 : || exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_UB_REDUCE_INLINE
621 0 : || exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_UB) {
622 0 : hccl::CollComm* collComm = static_cast<hccl::CollComm*>(exceptionTaskInfo.dfxOpInfo_->comm_);
623 0 : std::string localServerId = "";
624 0 : GetAicpuCqeErrNetInstanceByRankId(collComm, errorMessage.rankId, localServerId);
625 0 : u32 localDeviceId = Hccl::DFX_INVALID_RANKID;
626 0 : GetAicpuCqeErrRemoteLocalIdByRankId(collComm, errorMessage.rankId, localDeviceId);
627 0 : std::string remoteServerId = "";
628 0 : GetAicpuCqeErrNetInstanceByRankId(collComm, errorMessage.remoteUserRank, remoteServerId);
629 0 : u32 remoteDeviceId = Hccl::DFX_INVALID_RANKID;
630 0 : GetAicpuCqeErrRemoteLocalIdByRankId(collComm, errorMessage.remoteUserRank, remoteDeviceId);
631 0 : Hccl::IpAddress localAddr(errorMessage.locEid);
632 0 : Hccl::IpAddress remoteAddr(errorMessage.rmtEid);
633 0 : HCCL_ERROR("[ReportErrorMsg] EI0018");
634 0 : RPT_INPUT_ERR(
635 : true, "EI0018",
636 : std::vector<std::string>(
637 : {"localServerId", "localDeviceId", "localDeviceIp", "remoteServerId", "remoteDeviceId",
638 : "remoteDeviceIp"}),
639 : std::vector<std::string>(
640 : {localServerId, std::to_string(localDeviceId), localAddr.GetReverseEid().Describe().c_str(),
641 : remoteServerId, std::to_string(remoteDeviceId), remoteAddr.GetReverseEid().Describe().c_str()}));
642 0 : }
643 0 : }
644 :
645 9 : void GetTaskParam(Hccl::TaskParam& taskParam, const Hccl::ErrorMessageReport& errMsgInfo)
646 : {
647 9 : switch (errMsgInfo.taskType) {
648 2 : case Hccl::TaskParamType::TASK_NOTIFY_WAIT:
649 : case Hccl::TaskParamType::TASK_NOTIFY_RECORD:
650 2 : taskParam.taskPara.Notify.notifyID = errMsgInfo.notifyId;
651 2 : taskParam.taskPara.Notify.value = errMsgInfo.notifyValue;
652 2 : break;
653 2 : case Hccl::TaskParamType::TASK_UB_REDUCE_INLINE:
654 : case Hccl::TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY:
655 2 : taskParam.taskPara.Reduce.notifyID = errMsgInfo.notifyId;
656 2 : taskParam.taskPara.Reduce.notifyValue = errMsgInfo.notifyValue;
657 2 : taskParam.taskPara.Reduce.locEid = errMsgInfo.locEid;
658 2 : taskParam.taskPara.Reduce.rmtEid = errMsgInfo.rmtEid;
659 2 : taskParam.taskPara.Reduce.linkType = errMsgInfo.linkType;
660 2 : taskParam.taskPara.Reduce.size = errMsgInfo.size;
661 2 : taskParam.taskPara.Reduce.src = reinterpret_cast<void*>(errMsgInfo.taskSrcAddr);
662 2 : taskParam.taskPara.Reduce.dst = reinterpret_cast<void*>(errMsgInfo.taskDstAddr);
663 2 : break;
664 1 : case Hccl::TaskParamType::TASK_REDUCE_INLINE:
665 1 : taskParam.taskPara.Reduce.reduceOp = static_cast<HcclReduceOp>(errMsgInfo.reduceType);
666 1 : break;
667 2 : case Hccl::TaskParamType::TASK_UB_INLINE_WRITE:
668 : case Hccl::TaskParamType::TASK_WRITE_WITH_NOTIFY:
669 2 : taskParam.taskPara.DMA.notifyID = errMsgInfo.notifyId;
670 2 : taskParam.taskPara.DMA.notifyValue = errMsgInfo.notifyValue;
671 2 : taskParam.taskPara.DMA.locEid = errMsgInfo.locEid;
672 2 : taskParam.taskPara.DMA.rmtEid = errMsgInfo.rmtEid;
673 2 : taskParam.taskPara.DMA.linkType = errMsgInfo.linkType;
674 2 : taskParam.taskPara.DMA.size = errMsgInfo.size;
675 2 : taskParam.taskPara.DMA.src = reinterpret_cast<void*>(errMsgInfo.taskSrcAddr);
676 2 : taskParam.taskPara.DMA.dst = reinterpret_cast<void*>(errMsgInfo.taskDstAddr);
677 2 : break;
678 1 : case Hccl::TaskParamType::TASK_UB:
679 1 : taskParam.taskPara.DMA.locEid = errMsgInfo.locEid;
680 1 : taskParam.taskPara.DMA.rmtEid = errMsgInfo.rmtEid;
681 1 : taskParam.taskPara.DMA.linkType = errMsgInfo.linkType;
682 1 : taskParam.taskPara.DMA.size = errMsgInfo.size;
683 1 : taskParam.taskPara.DMA.src = reinterpret_cast<void*>(errMsgInfo.taskSrcAddr);
684 1 : taskParam.taskPara.DMA.dst = reinterpret_cast<void*>(errMsgInfo.taskDstAddr);
685 1 : break;
686 1 : case Hccl::TaskParamType::TASK_SDMA:
687 1 : taskParam.taskPara.DMA.linkType = errMsgInfo.linkType;
688 1 : taskParam.taskPara.DMA.size = errMsgInfo.size;
689 1 : taskParam.taskPara.DMA.src = reinterpret_cast<void*>(errMsgInfo.taskSrcAddr);
690 1 : taskParam.taskPara.DMA.dst = reinterpret_cast<void*>(errMsgInfo.taskDstAddr);
691 1 : break;
692 0 : default:
693 0 : HCCL_ERROR("[TaskException][HOST]%s taskType[%d] is not support", __func__, taskParam.taskType);
694 0 : return;
695 : }
696 : }
697 :
698 0 : void TaskExceptionHost::HandleAicpuErrorReport(
699 : rtExceptionInfo_t* exceptionInfo, const Hccl::ErrorMessageReport& errorMessage,
700 : const Hccl::TaskInfo& taskInfo) const
701 : {
702 0 : std::string groupRankContent;
703 0 : u32 streamId = static_cast<u32>(errorMessage.streamId);
704 0 : std::string tag = std::string(errorMessage.tag);
705 0 : Hccl::TaskParam taskParam{};
706 0 : taskParam.taskType = errorMessage.taskType;
707 0 : GetTaskParam(taskParam, errorMessage);
708 0 : std::shared_ptr<Hccl::DfxOpInfo> dfxOpInfo = std::make_shared<Hccl::DfxOpInfo>();
709 0 : dfxOpInfo->tag_ = tag;
710 0 : dfxOpInfo->comm_ = taskInfo.dfxOpInfo_->comm_;
711 0 : Hccl::TaskInfo exceptionTaskInfo(streamId, errorMessage.taskId, errorMessage.remoteUserRank, taskParam, dfxOpInfo);
712 0 : auto logKeywordL2 = exceptionTaskInfo.taskParam_.taskType == Hccl::TaskParamType::TASK_NOTIFY_WAIT ?
713 : Hccl::LOG_KEYWORDS_TIMEOUT :
714 0 : Hccl::LOG_KEYWORDS_RUN_FAILED;
715 : auto stageErrInfo
716 0 : = "[" + Hccl::LOG_KEYWORDS_TASK_EXEC + "][" + logKeywordL2 + "][" + Hccl::LOG_KEYWORDS_AICPU + "]";
717 0 : HCCL_ERROR("%sTask from HCCL run failed.", stageErrInfo.c_str());
718 : // 防止tag字符串过长， 信息分开打印
719 0 : PrintBaseErrorLog(stageErrInfo, exceptionTaskInfo.GetIndopBaseInfo());
720 0 : PrintParaErrorLog(stageErrInfo, exceptionTaskInfo.GetParaInfo());
721 0 : PrintGroupErrorMessage(errorMessage, exceptionTaskInfo, groupRankContent, stageErrInfo);
722 0 : PrintOpDataErrorMessage(exceptionInfo->deviceid, errorMessage, stageErrInfo);
723 0 : HCCL_ERROR(
724 : "errorMessage taskType[%s], rtCqErrorType[%u], rtCqErrorCode[%u]. ", errorMessage.taskType.Describe().c_str(),
725 : static_cast<u32>(errorMessage.rtCqErrorType), errorMessage.rtCqErrorCode);
726 :
727 : // 打印UB DFX寄存器信息
728 0 : PrintUbDfxInfo(exceptionInfo, errorMessage);
729 0 : ReportErrorMsg(exceptionTaskInfo, groupRankContent, errorMessage, exceptionInfo);
730 0 : if (errorMessage.ubCqeStatus != 0) {
731 0 : GetAicpuCqeErrInfo(exceptionInfo, errorMessage, taskInfo);
732 : }
733 0 : }
734 :
735 0 : void TaskExceptionHost::PrintUbDfxInfo(
736 : rtExceptionInfo_t* exceptionInfo, const Hccl::ErrorMessageReport& errorMessage) const
737 : {
738 0 : if (errorMessage.taskType == Hccl::TaskParamType::TASK_WRITE_WITH_NOTIFY
739 0 : || errorMessage.taskType == Hccl::TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY
740 0 : || errorMessage.taskType == Hccl::TaskParamType::TASK_UB_INLINE_WRITE
741 0 : || errorMessage.taskType == Hccl::TaskParamType::TASK_UB_REDUCE_INLINE
742 0 : || errorMessage.taskType == Hccl::TaskParamType::TASK_UB) {
743 0 : HCCL_ERROR(
744 : "errorMessage ubCqeStatus[%u], localEid[%s], remoteEid[%s]. ", static_cast<u32>(errorMessage.ubCqeStatus),
745 : errorMessage.locEid.Describe().c_str(), errorMessage.rmtEid.Describe().c_str());
746 0 : auto reverseAddr = Hccl::IpAddress(errorMessage.locEid);
747 0 : auto addr = Hccl::IpAddress(reverseAddr.GetReverseEid());
748 0 : u32 devPhyId = Hccl::HrtGetDevicePhyIdByIndex(exceptionInfo->deviceid);
749 0 : auto rdmaHandle = Hccl::RdmaHandleManager::GetInstance().GetByIp(devPhyId, addr);
750 0 : HrtRaDumpJettyContext(reinterpret_cast<void*>(errorMessage.jettyHandle), errorMessage.jettyId);
751 0 : PrintUbRegisters(static_cast<s32>(exceptionInfo->deviceid), rdmaHandle);
752 : }
753 0 : }
754 : } // namespace hcomm
|
