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