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 <memory>
12 : #include "task_exception_handler.h"
13 : #include "log.h"
14 : #include "communicator_impl.h"
15 : #include "coll_service_device_mode.h"
16 : #include "mc2_global_mirror_tasks.h"
17 : #include "ccu_dev_mgr.h"
18 : #include "acl/acl_rt.h"
19 : #include "orion_adapter_hccp.h"
20 : #include <adapter_error_manager_pub.h>
21 : #include "hccl_common_v2.h"
22 : #include "hal.h"
23 : #include "orion_adapter_rts.h"
24 : #include "runtime_api_exception.h"
25 :
26 : namespace Hccl {
27 :
28 : using namespace std;
29 : using namespace CcuRep;
30 :
31 : constexpr uint32_t AIV_FLAG_UB_ALIGN_SIZE = 32; // aiv flag对齐规则
32 : constexpr uint32_t TASK_CONTEXT_SIZE = 50;
33 : 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
34 : constexpr int BYTE = 8; // 一字节的位数
35 : constexpr uint64_t CCU_MSG_256MB_LEN = 256 * 1024 * 1024; // CCU消息长度不能大于256MB
36 :
37 : std::array<TaskExceptionHandler*, MAX_MODULE_DEVICE_NUM> TaskExceptionHandlerManager::handlers_;
38 :
39 : std::mutex g_communicatorCallbackMapMutexV2;
40 : array<map<s32, GetAicpuTaskExceptionCallBack>, MAX_MODULE_DEVICE_NUM> g_communicatorCallbackMapV2;
41 : std::mutex g_commHadCallbackArrayMutexV2;
42 : array<bool, MAX_MODULE_DEVICE_NUM> g_commHadCallbackArrayV2 = {false};
43 :
44 : #ifdef __cplusplus
45 : extern "C" {
46 : #endif // __cplusplus
47 4 : void RegisterGetAicpuTaskExceptionCallBackV2(s32 streamId, u32 deviceLogicId, Hccl::GetAicpuTaskExceptionCallBack p1)
48 : {
49 4 : lock_guard<mutex> lock(Hccl::g_communicatorCallbackMapMutexV2);
50 4 : Hccl::g_communicatorCallbackMapV2[deviceLogicId][streamId] = p1;
51 8 : return;
52 4 : }
53 : #ifdef __cplusplus
54 : }
55 : #endif // __cplusplus
56 :
57 6 : TaskExceptionHandler::TaskExceptionHandler(int deviceId) : devId_(deviceId) { Register(); }
58 :
59 5 : TaskExceptionHandler::~TaskExceptionHandler() { UnRegister(); }
60 :
61 7 : void TaskExceptionHandler::Register() const
62 : {
63 7 : HrtRegTaskFailCallbackByModule(Process);
64 21 : HCCL_INFO("[TaskExceptionHandler]exception process func registered.");
65 7 : }
66 :
67 6 : void TaskExceptionHandler::UnRegister() const { HrtUnregTaskFailCallbackByModule(Process); }
68 :
69 44 : TaskExceptionHandler* TaskExceptionHandlerManager::GetHandler(size_t devId)
70 : {
71 : // 检查 devId 是否越界
72 44 : if (devId >= MAX_MODULE_DEVICE_NUM) {
73 3 : HCCL_ERROR("[TaskExceptionHandler][GetInstance] deviceLogicID[%lu] is invalid", devId);
74 1 : return nullptr;
75 : }
76 : // 如果对应位置的实例为空，则创建新实例
77 43 : if (handlers_[devId] == nullptr) {
78 2 : handlers_[devId] = new (std::nothrow) TaskExceptionHandler(devId);
79 2 : if (handlers_[devId] == nullptr) {
80 0 : HCCL_ERROR(
81 : "[TaskExceptionHandler][GetInstance] new TaskExceptionHandler failed due to OOM, devId[%lu]", devId);
82 0 : return nullptr;
83 : }
84 : }
85 43 : return handlers_[devId];
86 : }
87 0 : TaskExceptionHandlerManager::TaskExceptionHandlerManager() { handlers_.fill(nullptr); }
88 :
89 0 : TaskExceptionHandlerManager::~TaskExceptionHandlerManager()
90 : {
91 0 : for (auto& instance : handlers_) {
92 0 : if (instance != nullptr) {
93 0 : delete instance;
94 0 : instance = nullptr;
95 : }
96 : }
97 0 : }
98 :
99 3 : static std::pair<u32, u32> GetOpCounter(const TaskInfo& taskInfo)
100 : {
101 3 : std::pair<float, float> floatCounter;
102 6 : if (taskInfo.dfxOpInfo_ != nullptr && taskInfo.dfxOpInfo_->headOpCounterAddr_ != 0
103 6 : && taskInfo.dfxOpInfo_->tailOpCounterAddr_ != 0) {
104 0 : u64 size = 4;
105 0 : void* headAddr = reinterpret_cast<void*>(taskInfo.dfxOpInfo_->headOpCounterAddr_);
106 0 : void* tailAddr = reinterpret_cast<void*>(taskInfo.dfxOpInfo_->tailOpCounterAddr_);
107 0 : HrtMemcpy(&floatCounter.first, size, headAddr, size, RT_MEMCPY_DEVICE_TO_HOST);
108 0 : HrtMemcpy(&floatCounter.second, size, tailAddr, size, RT_MEMCPY_DEVICE_TO_HOST);
109 : }
110 :
111 3 : std::pair<u32, u32> counter;
112 3 : counter.first = static_cast<u32>(floatCounter.first);
113 3 : counter.second = static_cast<u32>(floatCounter.second);
114 9 : HCCL_INFO("[GetOpCounter] end, head:%u, tail:%u", counter.first, counter.second);
115 3 : return counter;
116 : }
117 :
118 4 : static bool IsMC2Exception(rtExceptionInfo_t* exceptionInfo)
119 : {
120 4 : return exceptionInfo != nullptr && exceptionInfo->expandInfo.type == RT_EXCEPTION_FUSION
121 8 : && exceptionInfo->expandInfo.u.fusionInfo.type == RT_FUSION_AICORE_CCU;
122 : }
123 :
124 0 : void PrintUbRegisters(s32 devLogicId, const RdmaHandle rdmaHandle)
125 : {
126 0 : HCCL_INFO("[PrintUbRegisters] start");
127 0 : AuxInfoIn in;
128 0 : in.cqe.status = 0xffffffff; // 0xffffffff代表查询所有寄存器
129 0 : in.auxInfoInType = AuxInfoInType::AUX_INFO_IN_TYPE_CQE;
130 0 : in.cqe.sR = 0;
131 0 : AuxInfoOut auxInfo;
132 0 : auto ret = RaGetAuxInfo(rdmaHandle, in, auxInfo);
133 0 : if (ret != HCCL_SUCCESS) {
134 0 : HCCL_ERROR("[PrintUbRegister]GetUbRegisterInfo failed.");
135 : }
136 :
137 0 : bool isAuxInfoExisted = false;
138 0 : for (u32 i = 0; i < auxInfo.auxInfoNum; i++) {
139 0 : if (auxInfo.auxInfoValues[i] != 0) { // 非零进行打印
140 0 : isAuxInfoExisted = true;
141 0 : HCCL_ERROR(
142 : "devLogicId[%d], cqe_aux_info_type[%u], cqe_aux_info_value[0x%x]", devLogicId, auxInfo.auxInfoTypes[i],
143 : auxInfo.auxInfoValues[i]);
144 : } else {
145 0 : HCCL_INFO(
146 : "devLogicId[%d], cqe_aux_info_type[%u], cqe_aux_info_value[0x%x]", devLogicId, auxInfo.auxInfoTypes[i],
147 : auxInfo.auxInfoValues[i]);
148 : }
149 : }
150 0 : if (!isAuxInfoExisted) {
151 0 : HCCL_ERROR("devLogicId[%d], all aux_info values are zero.", devLogicId);
152 : }
153 0 : }
154 :
155 0 : void PrintCcuUbRegisters(s32 devLogicId, const ParaCcu& ccuTaskParam)
156 : {
157 0 : std::vector<CcuJetty*> ccuJettys;
158 0 : HcclResult ret = GetCcuJettys(devLogicId, ccuTaskParam, ccuJettys);
159 0 : if (ret != HCCL_SUCCESS) {
160 0 : HCCL_ERROR("PrintCcuUbRegisters failed");
161 : }
162 0 : u32 jettyNum = ccuJettys.size();
163 :
164 0 : std::vector<JettyHandle> jettyHandles;
165 0 : for (auto& ccuJetty : ccuJettys) {
166 0 : jettyHandles.push_back(ccuJetty->GetJettyHandle());
167 : }
168 :
169 0 : std::vector<JettyStatus> jettyStatusVec;
170 0 : RaBatchQueryJettyStatus(jettyHandles, jettyStatusVec, jettyNum);
171 :
172 0 : for (u32 i = 0; i < jettyNum; ++i) {
173 0 : if (jettyStatusVec[i] == JettyStatus::ERROR) {
174 0 : auto rdmaHandle = ccuJettys[i]->GetRdmaHandle();
175 0 : HCCL_ERROR("PrintCcuUbRegisters jettyId[%u]", ccuJettys[i]->GetJettyId());
176 0 : PrintUbRegisters(devLogicId, rdmaHandle);
177 0 : break;
178 : }
179 : }
180 0 : }
181 :
182 4 : void TaskExceptionHandler::Process(rtExceptionInfo_t* exceptionInfo)
183 : {
184 : // Task Exception 入口，使用宏捕获执行间异常
185 10 : TRY_CATCH_PRINT_ERROR(
186 : if (exceptionInfo == nullptr) {
187 : HCCL_ERROR("Exception process failed, rtExceptionInfo is nullptr.");
188 : return;
189 : }
190 :
191 : if (IsMC2Exception(exceptionInfo)) {
192 : ProcessCcuMC2Exception(exceptionInfo);
193 : return;
194 : }
195 :
196 : const auto curTask
197 : = GlobalMirrorTasks::Instance().GetTaskInfo(
198 : exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid);
199 : if (curTask == nullptr) {
200 : // 未找到异常对应的TaskInfo
201 : HCCL_ERROR(
202 : "Exception task not found. deviceId[%u], streamId[%u], taskId[%u].", exceptionInfo->deviceid,
203 : exceptionInfo->streamid, exceptionInfo->taskid);
204 : return;
205 : }
206 :
207 : if (curTask->taskParam_.taskType == TaskParamType::TASK_CCU) {
208 : ProcessCcuException(exceptionInfo, *curTask);
209 : } else if (curTask->taskParam_.taskType == TaskParamType::TASK_AIV) {
210 : ProcessAivException(exceptionInfo, *curTask);
211 : } else { ProcessException(exceptionInfo, *curTask); });
212 : }
213 :
214 : /*
215 : @Desc: AIV 算子异常DFX
216 : */
217 3 : void TaskExceptionHandler::ProcessAivException(rtExceptionInfo_t* exceptionInfo, const TaskInfo& taskInfo)
218 : {
219 9 : HCCL_ERROR("[TaskExceptionHandler][%s]Task from HCCL run failed.", __func__);
220 :
221 9 : HCCL_ERROR(
222 : "[TaskExceptionHandler][AIV]Task run failed, para information is "
223 : "deviceId[%u] streamId[%u], TaskId[%u], cmdType[%u], "
224 : "tag[%u],rank[%u],rankSize[%u], dataCount[%u], numBlocks[%u],"
225 : "dataType:[%u], beginTime:[%llu], flagMem[%p]",
226 : exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid,
227 : taskInfo.taskParam_.taskPara.Aiv.cmdType, taskInfo.taskParam_.taskPara.Aiv.tag,
228 : taskInfo.taskParam_.taskPara.Aiv.rank, taskInfo.taskParam_.taskPara.Aiv.rankSize,
229 : taskInfo.taskParam_.taskPara.Aiv.count, taskInfo.taskParam_.taskPara.Aiv.numBlocks,
230 : taskInfo.taskParam_.taskPara.Aiv.dataType, taskInfo.taskParam_.beginTime,
231 : taskInfo.taskParam_.taskPara.Aiv.flagMem);
232 :
233 : // 打印算子flag 区域, flag区域比较大，需要通过LOG_TMPBUF_SIZE控制打印的长度
234 3 : void* flag_buff_temp = nullptr;
235 : try {
236 3 : flag_buff_temp = HrtMallocHost(taskInfo.taskParam_.taskPara.Aiv.flagMemSize);
237 2 : HrtMemcpy(
238 2 : flag_buff_temp, taskInfo.taskParam_.taskPara.Aiv.flagMemSize, taskInfo.taskParam_.taskPara.Aiv.flagMem,
239 2 : taskInfo.taskParam_.taskPara.Aiv.flagMemSize, RT_MEMCPY_DEVICE_TO_HOST);
240 2 : } catch (const RuntimeApiException& e) {
241 6 : HCCL_ERROR("[TaskExceptionHandler] [%s] host memory operation fail: %s", __func__, e.what());
242 2 : if (flag_buff_temp != nullptr) {
243 0 : HrtFreeHost(flag_buff_temp);
244 : }
245 2 : return;
246 2 : }
247 :
248 1 : std::stringstream flagStr;
249 1 : int32_t* flagMemInt32 = static_cast<int32_t*>(flag_buff_temp);
250 1 : u64 flagCount = taskInfo.taskParam_.taskPara.Aiv.flagMemSize / sizeof(int32_t);
251 : // aiv 内部是32 byte对齐,即每32字节首位存放一个4字节的有效flag
252 1 : u64 alignstep = AIV_FLAG_UB_ALIGN_SIZE / sizeof(int32_t);
253 1 : flagStr << "[TaskExceptionHandler][AIV]Task run failed, para information is deviceId[" << exceptionInfo->deviceid
254 1 : << "], streamId[" << exceptionInfo->streamid << "], TaskId[" << exceptionInfo->taskid << "], flag:";
255 1 : for (u64 i = 0; (flag_buff_temp != nullptr) && (i < flagCount) && (flagStr.str().size() <= LOG_TMPBUF_SIZE); i++) {
256 0 : if (i % alignstep == 0) {
257 0 : flagStr << flagMemInt32[i] << " ";
258 : }
259 : }
260 3 : HCCL_ERROR(flagStr.str().c_str());
261 :
262 1 : if (flag_buff_temp != nullptr) {
263 0 : HrtFreeHost(flag_buff_temp);
264 : }
265 1 : PrintAivPreviousTaskException(exceptionInfo);
266 1 : }
267 :
268 0 : void TaskExceptionHandler::PrintAivPreviousTaskException(rtExceptionInfo_t* exceptionInfo)
269 : {
270 : // 倒序打印前序AIV task信息,找到当前异常task的前50个task(至多)
271 0 : auto queue = GlobalMirrorTasks::Instance().GetQueue(exceptionInfo->deviceid, exceptionInfo->streamid);
272 0 : if (queue == nullptr) {
273 : // 未找到异常对应的TaskQueue
274 0 : HCCL_ERROR(
275 : "Exception task queue not found. deviceId[%u], streamId[%u].", exceptionInfo->deviceid,
276 : exceptionInfo->streamid);
277 0 : return;
278 : }
279 :
280 0 : u32 taskId = exceptionInfo->taskid;
281 0 : auto func = [taskId](const unique_ptr<TaskInfo>& task) {
282 0 : return task->taskId_ == taskId;
283 0 : };
284 0 : auto taskItorPtr = queue->Find(func);
285 0 : if (taskItorPtr == nullptr || *taskItorPtr == *queue->End()) {
286 : // 在队列中未找到异常对应的TaskInfo
287 0 : HCCL_ERROR(
288 : "Exception task not found. deviceId[%u], streamId[%u], taskId[%u].", exceptionInfo->deviceid,
289 : exceptionInfo->streamid, exceptionInfo->taskid);
290 0 : return;
291 : }
292 :
293 0 : HCCL_ERROR(
294 : "[TaskExceptionHandler][AIV]Task run failed, para information is "
295 : "deviceId[%u] streamId[%u], TaskId[%u].",
296 : exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid);
297 :
298 0 : for (uint32_t i = 0; i < TASK_CONTEXT_SIZE && *taskItorPtr != *queue->Begin(); --(*taskItorPtr)) {
299 0 : if ((**taskItorPtr)->taskId_ > taskId) {
300 0 : break;
301 : }
302 0 : if ((**taskItorPtr)->taskId_ != taskId && (**taskItorPtr)->taskParam_.taskType == TaskParamType::TASK_AIV) {
303 0 : HCCL_ERROR(
304 : "[TaskExceptionHandler][AIV] "
305 : "previous TaskId[%u],streamId[%u], cmdType[%u], "
306 : "tag[%u],rank[%u],rankSize[%u], dataCount[%u], numBlocks[%u],"
307 : "dataType:[%u], beginTime:[%llu], flagMem[%p]",
308 : (**taskItorPtr)->taskId_, (**taskItorPtr)->streamId_, (**taskItorPtr)->taskParam_.taskPara.Aiv.cmdType,
309 : (**taskItorPtr)->taskParam_.taskPara.Aiv.tag, (**taskItorPtr)->taskParam_.taskPara.Aiv.rank,
310 : (**taskItorPtr)->taskParam_.taskPara.Aiv.rankSize, (**taskItorPtr)->taskParam_.taskPara.Aiv.count,
311 : (**taskItorPtr)->taskParam_.taskPara.Aiv.numBlocks, (**taskItorPtr)->taskParam_.taskPara.Aiv.dataType,
312 : (**taskItorPtr)->taskParam_.beginTime, (**taskItorPtr)->taskParam_.taskPara.Aiv.flagMem);
313 : }
314 0 : i++;
315 : }
316 0 : }
317 :
318 10 : string TaskExceptionHandler::GetGroupRankInfo(const TaskInfo& taskInfo)
319 : {
320 10 : if (taskInfo.dfxOpInfo_ == nullptr || taskInfo.dfxOpInfo_->comm_ == nullptr) {
321 9 : HCCL_ERROR("[TaskInfo][%s]TaskInfo communicator is nullptr.", __func__);
322 6 : return "";
323 : }
324 7 : const CommunicatorImpl* communicator = static_cast<CommunicatorImpl*>(taskInfo.dfxOpInfo_->comm_);
325 : return StringFormat(
326 14 : "group:[%s], rankSize[%u], rankId[%d]", communicator->GetId().c_str(), communicator->GetRankSize(),
327 7 : communicator->GetMyRank());
328 : }
329 :
330 2 : void TaskExceptionHandler::ProcessException(rtExceptionInfo_t* exceptionInfo, const TaskInfo& taskInfo)
331 : {
332 6 : HCCL_RUN_INFO("[TaskExceptionHandler][%s]begin to execute hccl task exception callback function.", __func__);
333 2 : bool isExistAicpuError = false;
334 2 : if (exceptionInfo == nullptr) {
335 0 : HCCL_ERROR("[TaskExceptionHandler][ProcessException] exceptionInfo is nullptr.");
336 0 : return;
337 : }
338 2 : PrintAicpuErrorMessage(exceptionInfo, isExistAicpuError);
339 2 : if (isExistAicpuError) {
340 : // 如果已经有AICPU上报的task exception, 则host侧无需再次重复上报
341 0 : return;
342 : }
343 6 : HCCL_ERROR("[TaskExceptionHandler][%s]Task from HCCL run failed.", __func__);
344 2 : if (taskInfo.taskParam_.taskType == TaskParamType::TASK_NOTIFY_WAIT) {
345 2 : PrintTaskContextInfo(exceptionInfo->deviceid, exceptionInfo->streamid, exceptionInfo->taskid);
346 6 : HCCL_ERROR("[TaskExceptionHandler][ProcessException] EI0002");
347 32 : RPT_INPUT_ERR(
348 : true, "EI0002",
349 : std::vector<std::string>({"remote_rankid", "base_information", "task_information", "group_rank_content"}),
350 : std::vector<std::string>(
351 : {std::to_string(taskInfo.remoteRank_), taskInfo.GetBaseInfo(), taskInfo.GetParaInfo(),
352 : GetGroupRankInfo(taskInfo)}));
353 : }
354 6 : HCCL_ERROR(
355 : "[TaskExceptionHandler][%s]Task run failed, base information is deviceID:[%u], %s.", __func__,
356 : exceptionInfo->deviceid, taskInfo.GetBaseInfo().c_str());
357 6 : HCCL_ERROR(
358 : "[TaskExceptionHandler][%s]Task run failed, para information is %s.", __func__, taskInfo.GetParaInfo().c_str());
359 6 : HCCL_ERROR(
360 : "[TaskExceptionHandler][%s]Task run failed, groupRank information is %s.", __func__,
361 : GetGroupRankInfo(taskInfo).c_str());
362 2 : auto count = GetOpCounter(taskInfo);
363 6 : HCCL_ERROR(
364 : "[TaskExceptionHandler][%s]Task run failed, headOpCounter[%u] tailOpCounter[%u] opIndex[%u].", __func__,
365 : static_cast<u32>(count.first), static_cast<u32>(count.second), taskInfo.dfxOpInfo_->opIndex_);
366 6 : HCCL_ERROR(
367 : "[TaskExceptionHandler][%s]Task run failed, opData information is %s.", __func__, taskInfo.GetOpInfo().c_str());
368 2 : }
369 :
370 2 : void TaskExceptionHandler::PrintTaskContextInfo(uint32_t deviceId, uint32_t streamId, uint32_t taskId)
371 : {
372 2 : auto queue = GlobalMirrorTasks::Instance().GetQueue(deviceId, streamId);
373 2 : if (queue == nullptr) {
374 : // 未找到异常对应的TaskQueue
375 0 : HCCL_ERROR("Exception task queue not found. deviceId[%u], streamId[%u].", deviceId, streamId);
376 0 : return;
377 : }
378 :
379 63 : auto func = [taskId](const unique_ptr<TaskInfo>& task) {
380 63 : return task->taskId_ == taskId;
381 2 : };
382 2 : auto taskItorPtr = queue->Find(func);
383 2 : if (taskItorPtr == nullptr || *taskItorPtr == *queue->End()) {
384 : // 在队列中未找到异常对应的TaskInfo
385 0 : HCCL_ERROR("Exception task not found. deviceId[%u], streamId[%u], taskId[%u].", deviceId, streamId, taskId);
386 0 : return;
387 : }
388 :
389 : // 找到当前异常task的前50个task(至多)
390 2 : vector<TaskInfo*> taskContext{};
391 63 : for (uint32_t i = 0; i < TASK_CONTEXT_SIZE && *taskItorPtr != *queue->Begin(); ++i, --(*taskItorPtr)) {
392 61 : if ((**taskItorPtr)->taskId_ > taskId) {
393 0 : break;
394 : }
395 61 : if ((**taskItorPtr)->taskId_ != taskId) {
396 59 : taskContext.emplace_back((**taskItorPtr).get());
397 : }
398 : }
399 :
400 2 : if (taskContext.empty()) {
401 0 : return;
402 : }
403 :
404 6 : HCCL_ERROR("[TaskExceptionHandler]Task run failed, context sequence before error task is "
405 : "[SDMA:M(rank), RDMA:RS(rank,id), SendPayload:SP(rank), InlineReduce:IR(rank), Reduce:R(rank), "
406 : "NotifyRecord:NR(rank,id), NotifyWait:NW(rank,id), SendNotify:SN(rank,id), "
407 : "WriteWithNotify:WN(rank,id), WriteReduceWithNotify:WRN(rank,id)]:");
408 :
409 2 : string taskContextInfo = "";
410 61 : for (auto it = taskContext.rbegin(); it != taskContext.rend(); ++it) {
411 59 : string conciseInfo = (*it)->GetConciseBaseInfo();
412 59 : conciseInfo += ",";
413 :
414 59 : if (taskContextInfo.size() + conciseInfo.size() >= TASK_CONTEXT_INFO_SIZE) {
415 6 : HCCL_ERROR("[TaskExceptionHandler]%s", taskContextInfo.c_str());
416 2 : taskContextInfo = "";
417 : }
418 :
419 59 : taskContextInfo += conciseInfo;
420 59 : }
421 6 : HCCL_ERROR("[TaskExceptionHandler]%s end.", taskContextInfo.c_str());
422 2 : }
423 :
424 : struct ccum_dfx_info {
425 : unsigned int query_result; // 0:success, 1:fail
426 : unsigned int ccum_sqe_recv_cnt;
427 : unsigned int ccum_sqe_send_cnt;
428 : unsigned int ccum_mission_dfx;
429 : unsigned int ccum_sqe_drop_cnt;
430 : unsigned int ccum_sqe_addr_len_err_drop_cnt;
431 : unsigned int lqc_ccu_sec_reg0;
432 : unsigned int ccum_tif_sqe_cnt;
433 : unsigned int ccum_tif_cqe_cnt;
434 : unsigned int ccum_cif_sqe_cnt;
435 : unsigned int ccum_cif_cqe_cnt;
436 : };
437 :
438 1 : void PrintPanicLogInfo(const uint8_t* panicLog)
439 : {
440 1 : struct ccum_dfx_info* info = reinterpret_cast<struct ccum_dfx_info*>(const_cast<uint8_t*>(panicLog));
441 1 : const uint16_t ccumIsEnable = info->lqc_ccu_sec_reg0 & 1;
442 1 : if (info->query_result != 0) {
443 0 : HCCL_ERROR("get ccu dfx info fail, ccu dfx info not all correct");
444 : }
445 3 : HCCL_ERROR(
446 : "CCU DFX INFO: SQE_RECV_CNT[%u] SQE_SEND_CNT[%u] MISSION_DFX[%u]"
447 : "TIF_SQE_CNT[%u] TIF_CQE_CNT[%u] CIF_SQE_CNT[%u] CIF_CQE_CNT[%u]"
448 : "SQE_DROP_CNT[%u] SQE_ADDR_LEN_ERR_DROP_CNT[%u] ccumIsEnable[%u]",
449 : info->ccum_sqe_recv_cnt, info->ccum_sqe_send_cnt, info->ccum_mission_dfx, info->ccum_tif_sqe_cnt,
450 : info->ccum_tif_cqe_cnt, info->ccum_cif_sqe_cnt, info->ccum_cif_cqe_cnt, info->ccum_sqe_drop_cnt,
451 : info->ccum_sqe_addr_len_err_drop_cnt, ccumIsEnable);
452 1 : }
453 :
454 1 : void TaskExceptionHandler::ProcessCcuMC2Exception(rtExceptionInfo_t* exceptionInfo)
455 : {
456 1 : set<uint8_t> exDieIds{};
457 1 : auto& ccuExDetailInfo = exceptionInfo->expandInfo.u.fusionInfo.u.aicoreCcuInfo.ccuDetailMsg;
458 1 : for (uint32_t i = 0; i < ccuExDetailInfo.ccuMissionNum; ++i) {
459 1 : const auto& missionInfo = ccuExDetailInfo.missionInfo[i]; // 异常sqe
460 3 : HCCL_INFO(
461 : "[%s] Exception missionInfo: dieId[%u], missionId[%u], startInstrId[%u], status[0x%x], subStatus[0x%x]",
462 : __func__, missionInfo.dieId, missionInfo.missionId, missionInfo.instrId, missionInfo.status,
463 : missionInfo.subStatus);
464 1 : exDieIds.insert(missionInfo.dieId);
465 1 : uint16_t status = static_cast<uint16_t>(missionInfo.status) << BYTE | missionInfo.subStatus;
466 : // 打印寄存器信息
467 1 : PrintPanicLogInfo(missionInfo.panicLog);
468 :
469 1 : auto serverTaskInfo = MC2GlobalMirrorTasks::GetInstance().GetTaskInfo(
470 1 : exceptionInfo->deviceid, missionInfo.dieId, missionInfo.missionId, missionInfo.instrId);
471 1 : if (serverTaskInfo == nullptr) {
472 0 : HCCL_ERROR(
473 : "MC2 TaskInfo not found, deviceId[%u], dieId[%u], missionId[%u], instrId[%u].", exceptionInfo->deviceid,
474 : missionInfo.dieId, missionInfo.missionId, missionInfo.instrId);
475 0 : continue;
476 0 : }
477 1 : ParaCcu serverParam = serverTaskInfo->taskParam_.taskPara.Ccu;
478 1 : serverParam.execMissionId = missionInfo.missionId;
479 1 : vector<CcuErrorInfo> serverErrorInfos{};
480 3 : if (GetCcuErrorMsg(
481 2 : exceptionInfo->deviceid, status, serverParam, GetGroupRankInfo(*serverTaskInfo), serverErrorInfos)
482 1 : != HcclResult::HCCL_SUCCESS) {
483 0 : HCCL_ERROR("Get CCU error info failed.");
484 0 : continue;
485 0 : }
486 :
487 1 : if (!serverErrorInfos.empty()) {
488 0 : HCCL_INFO("Exception instr is in MC2 Server.");
489 0 : PrintCcuErrorLog(serverErrorInfos, *serverTaskInfo);
490 0 : continue;
491 0 : }
492 :
493 1 : vector<CcuTaskParam> algoTaskParams = GetMC2AlgTaskParam(*serverTaskInfo);
494 1 : for (const auto& algoTaskParam : algoTaskParams) {
495 3 : HCCL_INFO(
496 : "MC2 algo TaskParam: dieId[%u], missionId[%u], instrId[%u]", algoTaskParam.dieId,
497 : algoTaskParam.missionId, algoTaskParam.instStartId);
498 :
499 1 : auto algoTaskInfo = MC2GlobalMirrorTasks::GetInstance().GetTaskInfo(
500 1 : exceptionInfo->deviceid, algoTaskParam.dieId, algoTaskParam.missionId, algoTaskParam.instStartId);
501 1 : if (algoTaskInfo == nullptr) {
502 0 : HCCL_ERROR(
503 : "MC2 TaskInfo not found, deviceId[%u], dieId[%u], missionId[%u], instrId[%u].",
504 : exceptionInfo->deviceid, algoTaskParam.dieId, algoTaskParam.missionId, algoTaskParam.instStartId);
505 0 : continue;
506 0 : }
507 1 : ParaCcu algoParam = algoTaskInfo->taskParam_.taskPara.Ccu;
508 1 : algoParam.execMissionId = missionInfo.missionId;
509 1 : vector<CcuErrorInfo> algoErrorInfos{};
510 1 : if (GetCcuErrorMsg(
511 2 : exceptionInfo->deviceid, status, algoParam, GetGroupRankInfo(*algoTaskInfo), algoErrorInfos)
512 0 : != HcclResult::HCCL_SUCCESS) {
513 0 : HCCL_ERROR("Get CCU error info failed.");
514 0 : continue;
515 0 : }
516 0 : PrintCcuErrorLog(algoErrorInfos, *algoTaskInfo);
517 2 : }
518 3 : }
519 :
520 : // 清除TaskKill状态, 清除CKE
521 0 : const int32_t devLogicId = static_cast<int32_t>(exceptionInfo->deviceid);
522 0 : if (CcuCleanTaskKillState(devLogicId) != HcclResult::HCCL_SUCCESS) {
523 0 : HCCL_ERROR(
524 : "[TaskExceptionHandler][%s] failed to clean ccu task kill state, "
525 : "devLogicId[%d].",
526 : __func__, devLogicId);
527 : }
528 :
529 0 : for (const uint8_t dieId : exDieIds) {
530 0 : if (CcuCleanDieCkes(devLogicId, dieId) != HcclResult::HCCL_SUCCESS) {
531 0 : HCCL_ERROR(
532 : "[TaskExceptionHandler][%s] failed to clean ccu die ckes, "
533 : "dieId[%u], devLogicId[%d].",
534 : __func__, dieId, devLogicId);
535 : }
536 : }
537 1 : }
538 :
539 4 : vector<CcuTaskParam> TaskExceptionHandler::GetMC2AlgTaskParam(const TaskInfo& taskInfo)
540 : {
541 4 : if (taskInfo.taskParam_.taskType != TaskParamType::TASK_CCU) {
542 3 : HCCL_ERROR("[TaskInfo][%s]Get MC2 Alg TaskParam failed, task type error.", __func__);
543 1 : return {};
544 : }
545 3 : if (taskInfo.dfxOpInfo_ == nullptr || taskInfo.dfxOpInfo_->comm_ == nullptr) {
546 3 : HCCL_ERROR("[TaskInfo][%s]Get MC2 Alg TaskParam failed, communicator is nullptr.", __func__);
547 1 : return {};
548 : }
549 2 : const CommunicatorImpl* communicator = (CommunicatorImpl*)taskInfo.dfxOpInfo_->comm_;
550 2 : auto* collServiceBase = communicator->GetCcuCollService();
551 2 : if (collServiceBase == nullptr) {
552 0 : HCCL_ERROR("[TaskInfo][%s]Failed to get collService from communicator.", __func__);
553 0 : return {};
554 : }
555 2 : auto* collServiceCcu = static_cast<CollServiceDeviceMode*>(collServiceBase);
556 2 : return collServiceCcu->GetMc2Compont().GetAlgoCcuTaskInfo(taskInfo.taskParam_.taskPara.Ccu.executeId);
557 : }
558 :
559 1 : void TaskExceptionHandler::ProcessCcuException(const rtExceptionInfo_t* exceptionInfo, const TaskInfo& taskInfo)
560 : {
561 1 : auto deviceId = exceptionInfo->deviceid;
562 3 : HCCL_ERROR("[TaskExceptionHandler][%s]Task from HCCL run failed.", __func__);
563 3 : HCCL_ERROR(
564 : "[TaskExceptionHandler]Task run failed, base information is deviceID:[%u], %s.", deviceId,
565 : taskInfo.GetBaseInfo().c_str());
566 3 : HCCL_ERROR(
567 : "[TaskExceptionHandler]Task run failed, groupRank information is %s.", GetGroupRankInfo(taskInfo).c_str());
568 1 : auto count = GetOpCounter(taskInfo);
569 3 : HCCL_ERROR(
570 : "[TaskExceptionHandler]Task run failed, headOpCounter[%u] tailOpCounter[%u] opIndex[%u].",
571 : static_cast<u32>(count.first), static_cast<u32>(count.second), taskInfo.dfxOpInfo_->opIndex_);
572 3 : HCCL_ERROR("[TaskExceptionHandler]Task run failed, opData information is %s.", taskInfo.GetOpInfo().c_str());
573 1 : auto& ccuExDetailInfo = exceptionInfo->expandInfo.u.ccuInfo;
574 1 : for (uint32_t i = 0; i < ccuExDetailInfo.ccuMissionNum; ++i) { // ccuExDetailInfo.ccuMissionNum为1
575 1 : const auto& missionInfo = ccuExDetailInfo.missionInfo[i]; // 异常mission
576 1 : uint16_t status = static_cast<uint16_t>(missionInfo.status) << BYTE | missionInfo.subStatus;
577 : std::tuple<std::string, std::string, std::string, std::string> ipInfo
578 1 : = TaskExceptionHandler::GetCcuErrorIpInfo(deviceId, status, taskInfo);
579 1 : std::string localServerId = std::get<0>(ipInfo);
580 1 : std::string localIp = std::get<1>(ipInfo);
581 1 : std::string remoteIp = std::get<2>(ipInfo);
582 1 : std::string remoteId = std::get<3>(ipInfo);
583 23 : RPT_INPUT_ERR(
584 : true, "EI0018",
585 : std::vector<std::string>(
586 : {"localServerId", "localDeviceId", "localDeviceIp", "remoteServerId", "remoteDeviceId",
587 : "remoteDeviceIp"}),
588 : std::vector<std::string>({localServerId, std::to_string(deviceId), localIp, "", remoteId, remoteIp}));
589 1 : PrintCcuErrorInfo(deviceId, status, taskInfo);
590 : // 打印寄存器信息
591 0 : PrintPanicLogInfo(missionInfo.panicLog);
592 5 : }
593 :
594 0 : const int32_t devLogicId = static_cast<int32_t>(deviceId);
595 0 : if (CcuCleanTaskKillState(devLogicId) != HcclResult::HCCL_SUCCESS) {
596 0 : HCCL_ERROR(
597 : "[TaskExceptionHandler][%s] failed to clean ccu task kill state, "
598 : "devLogicId[%d].",
599 : __func__, devLogicId);
600 : }
601 :
602 0 : const uint8_t dieId = taskInfo.taskParam_.taskPara.Ccu.dieId;
603 0 : if (CcuCleanDieCkes(devLogicId, dieId) != HcclResult::HCCL_SUCCESS) {
604 0 : HCCL_ERROR(
605 : "[TaskExceptionHandler][%s] failed to clean ccu die ckes, "
606 : "dieId[%u], devLogicId[%d].",
607 : __func__, dieId, devLogicId);
608 : }
609 2 : }
610 :
611 0 : inline void PrintBaseErrorLog(const std::string& stageErrInfo, const std::string& baseInfo)
612 : {
613 0 : HCCL_ERROR("%sTask run failed, base information is %s", stageErrInfo.c_str(), baseInfo.c_str());
614 0 : }
615 :
616 0 : inline void PrintParaErrorLog(const std::string& stageErrInfo, const std::string& paraInfoStr)
617 : {
618 0 : HCCL_ERROR("%sTask run failed, para information is %s.", stageErrInfo.c_str(), paraInfoStr.c_str());
619 0 : }
620 :
621 0 : inline void PrintOpDataErrorLog(const std::string& stageErrInfo, const std::string& opDataContent)
622 : {
623 0 : HCCL_ERROR("%sTask run failed, opData information is %s", stageErrInfo.c_str(), opDataContent.c_str());
624 0 : }
625 :
626 0 : inline void PrintGroupErrorLog(const std::string& stageErrInfo, const std::string& groupRankContent)
627 : {
628 0 : HCCL_ERROR("%sTask run failed, groupRank information is %s.", stageErrInfo.c_str(), groupRankContent.c_str());
629 0 : }
630 :
631 0 : void TaskExceptionHandler::PrintGroupErrorMessage(
632 : ErrorMessageReport& errorMessage, [[maybe_unused]] const TaskInfo& exceptionTaskInfo, string& groupRankContent,
633 : string& stageErrInfo)
634 : {
635 0 : groupRankContent += "group:[";
636 0 : groupRankContent += std::string(errorMessage.group);
637 0 : groupRankContent += "], rankSize[";
638 0 : groupRankContent += std::to_string(errorMessage.rankSize);
639 0 : groupRankContent += "], localRank[";
640 0 : groupRankContent += std::to_string(errorMessage.rankId);
641 0 : groupRankContent += "], remoteRank[";
642 0 : groupRankContent += std::to_string(errorMessage.remoteUserRank);
643 0 : groupRankContent += "]";
644 :
645 0 : PrintGroupErrorLog(stageErrInfo, groupRankContent);
646 0 : return;
647 : }
648 :
649 : const std::map<HcclReduceOp, std::string> HCOM_REDUCE_OP_STR_MAP{
650 : {HcclReduceOp::HCCL_REDUCE_SUM, "sum"},
651 : {HcclReduceOp::HCCL_REDUCE_PROD, "prod"},
652 : {HcclReduceOp::HCCL_REDUCE_MAX, "max"},
653 : {HcclReduceOp::HCCL_REDUCE_MIN, "min"},
654 : {HcclReduceOp::HCCL_REDUCE_RESERVED, "invalid"}};
655 :
656 0 : inline std::string GetReduceOpEnumStr(HcclReduceOp reduceOp)
657 : {
658 0 : auto iter = HCOM_REDUCE_OP_STR_MAP.find(reduceOp);
659 0 : if (iter == HCOM_REDUCE_OP_STR_MAP.end()) {
660 0 : return "HcclReduceOp(" + std::to_string(reduceOp) + ")";
661 : } else {
662 0 : return iter->second;
663 : }
664 : }
665 :
666 : const std::map<HcclDataType, std::string> HCOM_DATA_TYPE_STR_MAP{
667 : {HcclDataType::HCCL_DATA_TYPE_INT8, "int8"}, {HcclDataType::HCCL_DATA_TYPE_INT16, "int16"},
668 : {HcclDataType::HCCL_DATA_TYPE_INT32, "int32"}, {HcclDataType::HCCL_DATA_TYPE_INT64, "int64"},
669 : {HcclDataType::HCCL_DATA_TYPE_UINT64, "uint64"}, {HcclDataType::HCCL_DATA_TYPE_FP16, "float16"},
670 : {HcclDataType::HCCL_DATA_TYPE_FP32, "float32"}, {HcclDataType::HCCL_DATA_TYPE_UINT8, "uint8"},
671 : {HcclDataType::HCCL_DATA_TYPE_UINT16, "uint16"}, {HcclDataType::HCCL_DATA_TYPE_UINT32, "uint32"},
672 : {HcclDataType::HCCL_DATA_TYPE_FP64, "float64"}, {HcclDataType::HCCL_DATA_TYPE_BFP16, "bfloat16"},
673 : {HcclDataType::HCCL_DATA_TYPE_INT128, "int128"}, {HcclDataType::HCCL_DATA_TYPE_FP8E4M3, "fp8e4m3"},
674 : {HcclDataType::HCCL_DATA_TYPE_FP8E5M2, "fp8e5m2"}, {HcclDataType::HCCL_DATA_TYPE_RESERVED, "reserved"}};
675 :
676 0 : inline std::string GetDataTypeEnumStr(HcclDataType dataType)
677 : {
678 0 : auto iter = HCOM_DATA_TYPE_STR_MAP.find(dataType);
679 0 : if (iter == HCOM_DATA_TYPE_STR_MAP.end()) {
680 0 : return "HcclDataType(" + std::to_string(dataType) + ")";
681 : } else {
682 0 : return iter->second;
683 : }
684 : }
685 :
686 0 : inline std::string GetDataTypeEnumStr(u32 dataType)
687 : {
688 0 : auto hcclDataType = static_cast<HcclDataType>(dataType);
689 0 : return GetDataTypeEnumStr(hcclDataType);
690 : }
691 :
692 0 : inline std::string GetOpTypeEnumStr(u32 opType)
693 : {
694 0 : OpType hcclOpType = static_cast<OpType::Value>(opType);
695 0 : return hcclOpType.Describe();
696 : }
697 :
698 0 : void TaskExceptionHandler::PrintOpDataErrorMessage(u32 deviceId, ErrorMessageReport& errorMessage, string& stageErrInfo)
699 : {
700 0 : stringstream opDataStr;
701 0 : opDataStr << "src" << "[0x" << std::hex << errorMessage.srcAddr << "], dst[0x" << std::hex << errorMessage.dstAddr
702 0 : << "], ";
703 :
704 0 : string opStr;
705 0 : if (errorMessage.reduceType != HcclReduceOp::HCCL_REDUCE_RESERVED) {
706 0 : opStr += "reduceType[";
707 0 : opStr += GetReduceOpEnumStr(static_cast<HcclReduceOp>(errorMessage.reduceType));
708 0 : opStr += "], ";
709 : }
710 :
711 0 : string opDataContent;
712 0 : opDataContent += "deviceId:[";
713 0 : opDataContent += std::to_string(deviceId);
714 0 : opDataContent += "], index[";
715 0 : opDataContent += std::to_string(errorMessage.opIndex);
716 0 : opDataContent += "], opType[";
717 0 : opDataContent += GetOpTypeEnumStr(errorMessage.opType);
718 0 : opDataContent += "], count[";
719 0 : opDataContent += std::to_string(errorMessage.count);
720 0 : opDataContent += "], ";
721 0 : opDataContent += opStr;
722 0 : opDataContent += opDataStr.str();
723 0 : opDataContent += "dataType[";
724 0 : opDataContent += GetDataTypeEnumStr(errorMessage.dataType);
725 0 : opDataContent += "].";
726 :
727 0 : PrintOpDataErrorLog(stageErrInfo, opDataContent);
728 0 : return;
729 0 : }
730 :
731 3 : void ReportErrorMsg(
732 : const TaskInfo& exceptionTaskInfo, const string& groupRankContent, const ErrorMessageReport& errorMessage,
733 : const rtExceptionInfo_t* exceptionInfo)
734 : {
735 9 : HCCL_INFO("[ReportErrorMsg] start");
736 3 : if (exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_NOTIFY_WAIT) {
737 3 : HCCL_ERROR("[ReportErrorMsg] EI0002");
738 17 : RPT_INPUT_ERR(
739 : true, "EI0002",
740 : std::vector<std::string>({"remote_rankid", "base_information", "task_information", "group_rank_content"}),
741 : std::vector<std::string>(
742 : {std::to_string(exceptionTaskInfo.remoteRank_), exceptionTaskInfo.GetBaseInfo().c_str(),
743 : (exceptionTaskInfo.GetParaInfo()).c_str(), groupRankContent}));
744 2 : } else if (
745 2 : exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY
746 2 : || exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_WRITE_WITH_NOTIFY
747 1 : || exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_UB_INLINE_WRITE
748 1 : || exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_UB_REDUCE_INLINE
749 4 : || exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_UB) {
750 6 : HCCL_ERROR("[ReportErrorMsg] EI0018");
751 44 : RPT_INPUT_ERR(
752 : true, "EI0018",
753 : std::vector<std::string>(
754 : {"localServerId", "localDeviceId", "localDeviceIp", "remoteServerId", "remoteDeviceId",
755 : "remoteDeviceIp"}),
756 : std::vector<std::string>(
757 : {"", std::to_string(exceptionInfo->deviceid), errorMessage.locEid.Describe().c_str(), "", "",
758 : errorMessage.rmtEid.Describe().c_str()}));
759 : }
760 9 : }
761 :
762 0 : void GetTaskParam(TaskParam& taskParam, const ErrorMessageReport& errorMessage)
763 : {
764 0 : if (errorMessage.taskType == TaskParamType::TASK_NOTIFY_WAIT) {
765 0 : taskParam.taskPara.Notify.notifyID = errorMessage.notifyId;
766 0 : taskParam.taskPara.Notify.value = errorMessage.notifyValue;
767 0 : } else if (
768 0 : errorMessage.taskType == TaskParamType::TASK_UB_REDUCE_INLINE
769 0 : || errorMessage.taskType == TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY) {
770 0 : taskParam.taskPara.Reduce.notifyID = errorMessage.notifyId;
771 0 : taskParam.taskPara.Reduce.notifyValue = errorMessage.notifyValue;
772 0 : taskParam.taskPara.Reduce.src = reinterpret_cast<void*>(errorMessage.taskSrcAddr);
773 0 : taskParam.taskPara.Reduce.dst = reinterpret_cast<void*>(errorMessage.taskDstAddr);
774 0 : taskParam.taskPara.Reduce.linkType = errorMessage.linkType;
775 0 : taskParam.taskPara.Reduce.size = errorMessage.size;
776 0 : } else if (
777 0 : errorMessage.taskType == TaskParamType::TASK_UB_INLINE_WRITE
778 0 : || errorMessage.taskType == TaskParamType::TASK_WRITE_WITH_NOTIFY) {
779 0 : taskParam.taskPara.DMA.notifyID = errorMessage.notifyId;
780 0 : taskParam.taskPara.DMA.notifyValue = errorMessage.notifyValue;
781 0 : taskParam.taskPara.DMA.src = reinterpret_cast<void*>(errorMessage.taskSrcAddr);
782 0 : taskParam.taskPara.DMA.dst = reinterpret_cast<void*>(errorMessage.taskDstAddr);
783 0 : taskParam.taskPara.DMA.linkType = errorMessage.linkType;
784 0 : taskParam.taskPara.DMA.size = errorMessage.size;
785 : }
786 0 : }
787 :
788 0 : void TaskExceptionHandler::PrintAicpuErrorMessage(rtExceptionInfo_t* exceptionInfo, bool& isExistAicpuError)
789 : {
790 0 : ErrorMessageReport errorMessage;
791 0 : unique_lock<std::mutex> lock(Hccl::g_commHadCallbackArrayMutexV2);
792 0 : if (Hccl::g_commHadCallbackArrayV2[exceptionInfo->deviceid]) {
793 : // 防止同一个device上出现通信主流和kernel流均出现task exception时runtime调用两次callback
794 : // HDC通道信息不是读清，防止aicpu task exception重复上报
795 0 : HCCL_WARNING("aicpu error message been reported. deviceid[%u]", exceptionInfo->deviceid);
796 0 : return;
797 : }
798 0 : lock.unlock();
799 0 : if (Hccl::g_communicatorCallbackMapV2[exceptionInfo->deviceid].find(exceptionInfo->streamid)
800 0 : != Hccl::g_communicatorCallbackMapV2[exceptionInfo->deviceid].end()) {
801 : // 找到对应的通信域，并调用回调函数从HDC通道获取AICPU异常信息
802 0 : errorMessage = (Hccl::g_communicatorCallbackMapV2[exceptionInfo->deviceid])[exceptionInfo->streamid]();
803 0 : if (strlen(errorMessage.tag) > 0) {
804 0 : isExistAicpuError = true;
805 0 : std::string groupRankContent;
806 0 : u32 streamId = static_cast<u32>(errorMessage.streamId);
807 0 : TaskParam taskParam{};
808 0 : taskParam.taskType = errorMessage.taskType;
809 :
810 0 : GetTaskParam(taskParam, errorMessage);
811 :
812 0 : std::shared_ptr<DfxOpInfo> dfxOpInfo = std::make_shared<DfxOpInfo>();
813 0 : dfxOpInfo->tag_ = std::string(errorMessage.tag);
814 : TaskInfo exceptionTaskInfo(
815 0 : streamId, errorMessage.taskId, errorMessage.remoteUserRank, taskParam, dfxOpInfo);
816 0 : auto logKeywordL2 = exceptionTaskInfo.taskParam_.taskType == TaskParamType::TASK_NOTIFY_WAIT ?
817 : LOG_KEYWORDS_TIMEOUT :
818 0 : LOG_KEYWORDS_RUN_FAILED;
819 0 : auto stageErrInfo = "[" + LOG_KEYWORDS_TASK_EXEC + "][" + logKeywordL2 + "][" + LOG_KEYWORDS_AICPU + "]";
820 0 : HCCL_ERROR("%sTask from HCCL run failed.", stageErrInfo.c_str());
821 : // 防止tag字符串过长， 信息分开打印
822 0 : PrintBaseErrorLog(stageErrInfo, exceptionTaskInfo.GetBaseInfo());
823 0 : PrintParaErrorLog(stageErrInfo, exceptionTaskInfo.GetParaInfo());
824 0 : PrintGroupErrorMessage(errorMessage, exceptionTaskInfo, groupRankContent, stageErrInfo);
825 0 : PrintOpDataErrorMessage(exceptionInfo->deviceid, errorMessage, stageErrInfo);
826 0 : HCCL_ERROR(
827 : "errorMessage taskType[%s], rtCqErrorType[%u], rtCqErrorCode[%u]. ",
828 : errorMessage.taskType.Describe().c_str(), static_cast<u32>(errorMessage.rtCqErrorType),
829 : errorMessage.rtCqErrorCode);
830 :
831 : // 打印UB DFX寄存器信息
832 0 : if (errorMessage.taskType == TaskParamType::TASK_WRITE_WITH_NOTIFY
833 0 : || errorMessage.taskType == TaskParamType::TASK_WRITE_REDUCE_WITH_NOTIFY
834 0 : || errorMessage.taskType == TaskParamType::TASK_UB_INLINE_WRITE
835 0 : || errorMessage.taskType == TaskParamType::TASK_UB_REDUCE_INLINE
836 0 : || errorMessage.taskType == TaskParamType::TASK_UB) {
837 0 : HCCL_ERROR(
838 : "errorMessage ubCqeStatus[%u], localEid[%s], remoteEid[%s]. ",
839 : static_cast<u32>(errorMessage.ubCqeStatus), errorMessage.locEid.Describe().c_str(),
840 : errorMessage.rmtEid.Describe().c_str());
841 0 : auto reverseAddr = IpAddress(errorMessage.locEid);
842 0 : auto addr = IpAddress(reverseAddr.GetReverseEid());
843 0 : u32 devPhyId = HrtGetDevicePhyIdByIndex(exceptionInfo->deviceid);
844 0 : auto rdmaHandle = RdmaHandleManager::GetInstance().GetByIp(devPhyId, addr);
845 0 : PrintUbRegisters(static_cast<s32>(exceptionInfo->deviceid), rdmaHandle);
846 : }
847 :
848 0 : ReportErrorMsg(exceptionTaskInfo, groupRankContent, errorMessage, exceptionInfo);
849 :
850 0 : lock.lock();
851 0 : Hccl::g_commHadCallbackArrayV2[exceptionInfo->deviceid] = true;
852 0 : } else {
853 0 : HCCL_WARNING("PrintAicpuErrorMessage No Vaild errorMessage!");
854 : }
855 : } else {
856 0 : HCCL_INFO("PrintAicpuErrorMessage streamId[%u] is not found.", exceptionInfo->streamid);
857 : }
858 0 : }
859 :
860 1 : void TaskExceptionHandler::PrintCcuErrorInfo(uint32_t deviceId, uint16_t status, const TaskInfo& taskInfo)
861 : {
862 1 : const ParaCcu& ccuTaskParam = taskInfo.taskParam_.taskPara.Ccu;
863 1 : vector<CcuErrorInfo> errorInfos{};
864 2 : HcclResult ret = GetCcuErrorMsg(deviceId, status, ccuTaskParam, GetGroupRankInfo(taskInfo), errorInfos);
865 0 : const uint8_t missionStatus = (status >> 8) & 0xFF;
866 0 : if (ret != HcclResult::HCCL_SUCCESS || errorInfos.empty()) {
867 0 : HCCL_ERROR(
868 : "Get CCU error info failed. deviceId[%u], dieId[%u], missionId[%u], executeId[%llu].", deviceId,
869 : ccuTaskParam.dieId, ccuTaskParam.missionId, ccuTaskParam.executeId);
870 0 : return;
871 : }
872 0 : PrintCcuErrorLog(errorInfos, taskInfo);
873 :
874 0 : if (missionStatus >= 0x01
875 0 : && missionStatus <= 0x05) { // 如果是UB错误(missionStatus为[0x01, 0x05])，打印Ub Dfx寄存器信息
876 0 : PrintCcuUbRegisters(static_cast<s32>(deviceId), taskInfo.taskParam_.taskPara.Ccu);
877 : }
878 1 : }
879 :
880 0 : void TaskExceptionHandler::PrintCcuErrorLog(const std::vector<CcuErrorInfo>& errorInfos, const TaskInfo& taskInfo)
881 : {
882 0 : if (errorInfos.empty()) {
883 0 : return;
884 : }
885 0 : HCCL_ERROR("[TaskExceptionHandler]Task run failed, ccu runtime information is: %s", __func__);
886 0 : for (const auto& errorInfo : errorInfos) {
887 0 : HCCL_ERROR("[TaskExceptionHandler][%s]", GetCcuErrorMsgByType(errorInfo, taskInfo).c_str());
888 : }
889 : }
890 :
891 8 : string TaskExceptionHandler::GetCcuLenErrorMsg(const uint64_t len)
892 : {
893 8 : if ((0 < len) && (len <= CCU_MSG_256MB_LEN)) {
894 0 : return "";
895 : }
896 8 : return StringFormat("ccu transMem Len[%llu]B > 256MB or is zero, not support!", len);
897 : }
898 :
899 1 : string TaskExceptionHandler::GetCcuErrorMsgLoop(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
900 : {
901 : (void)taskInfo;
902 : return StringFormat(
903 : "InstrId[%u]: Loop startInstrId[%u], endInstrId[%u], executorId[%u], "
904 : "totalIter[%u], curIter[%u], addressStride[0x%llx]",
905 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.loop.startInstrId, ccuErrorInfo.msg.loop.endInstrId,
906 1 : ccuErrorInfo.msg.loop.loopEngineId, ccuErrorInfo.msg.loop.loopCnt, ccuErrorInfo.msg.loop.loopCurrentCnt,
907 1 : ccuErrorInfo.msg.loop.addrStride);
908 : }
909 :
910 1 : string TaskExceptionHandler::GetCcuErrorMsgLoopGroup(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
911 : {
912 : (void)taskInfo;
913 : return StringFormat(
914 : "InstrId[%u]: LoopGroup startLoopInsId[%u], loopInsCnt[%u], "
915 : "expandOffset[%u], expandCnt[%u]",
916 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.loopGroup.startLoopInsId, ccuErrorInfo.msg.loopGroup.loopInsCnt,
917 1 : ccuErrorInfo.msg.loopGroup.expandOffset, ccuErrorInfo.msg.loopGroup.expandCnt);
918 : }
919 :
920 1 : string TaskExceptionHandler::GetCcuErrorMsgLocPostSem(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
921 : {
922 : (void)taskInfo;
923 : return StringFormat(
924 1 : "InstrId[%u]: Set sem[%u], semValue[0x%04x], mask[0x%04x]", ccuErrorInfo.instrId,
925 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalValue,
926 1 : ccuErrorInfo.msg.waitSignal.signalMask);
927 : }
928 :
929 1 : string TaskExceptionHandler::GetCcuErrorMsgLocWaitSem(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
930 : {
931 : (void)taskInfo;
932 : return StringFormat(
933 1 : "InstrId[%u]: Wait sem[%u], semValue[0x%04x], mask[0x%04x]", ccuErrorInfo.instrId,
934 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalValue,
935 1 : ccuErrorInfo.msg.waitSignal.signalMask);
936 : }
937 :
938 1 : string TaskExceptionHandler::GetCcuErrorMsgRemPostSem(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
939 : {
940 : return StringFormat(
941 1 : "InstrId[%u]: Post, Use sem[%u], mask[0x%04x], rankId[%d]", ccuErrorInfo.instrId,
942 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalMask,
943 1 : GetRankIdByChannelId(ccuErrorInfo.msg.waitSignal.channelId[0], taskInfo));
944 : }
945 :
946 1 : string TaskExceptionHandler::GetCcuErrorMsgRemWaitSem(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
947 : {
948 : return StringFormat(
949 1 : "InstrId[%u]: Wait, Use sem[%u], semValue[0x%04x], mask[0x%04x], rankId[%d]", ccuErrorInfo.instrId,
950 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalValue,
951 1 : ccuErrorInfo.msg.waitSignal.signalMask,
952 1 : GetRankIdByChannelId(ccuErrorInfo.msg.waitSignal.channelId[0], taskInfo));
953 : }
954 :
955 1 : string TaskExceptionHandler::GetCcuErrorMsgRemPostVar(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
956 : {
957 : return StringFormat(
958 : "InstrId[%u]: Post Variable[0x%016llx] To Param[%u], Use sem[%u], mask[0x%04x], rankId[%d]",
959 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.waitSignal.paramValue, ccuErrorInfo.msg.waitSignal.paramId,
960 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalMask,
961 1 : GetRankIdByChannelId(ccuErrorInfo.msg.waitSignal.channelId[0], taskInfo));
962 : }
963 :
964 1 : string TaskExceptionHandler::GetCcuErrorMsgRemWaitGroup(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
965 : {
966 1 : stringstream ranks;
967 5 : for (uint32_t i = 0; i < WAIT_SIGNAL_CHANNEL_SIZE; ++i) {
968 5 : const auto channelId = ccuErrorInfo.msg.waitSignal.channelId[i];
969 5 : if (channelId == UINT16_MAX) {
970 1 : break;
971 : }
972 4 : const auto rankId = GetRankIdByChannelId(channelId, taskInfo);
973 4 : if (i != 0) {
974 3 : ranks << ", ";
975 : }
976 4 : ranks << to_string(rankId);
977 : }
978 : return StringFormat(
979 1 : "InstrId[%u]: Wait Group, Use sem[%u], semValue[0x%04x], mask[0x%04x], rankIds[%s]", ccuErrorInfo.instrId,
980 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalValue,
981 2 : ccuErrorInfo.msg.waitSignal.signalMask, ranks.str().c_str());
982 1 : }
983 :
984 1 : string TaskExceptionHandler::GetCcuErrorMsgPostSharedVar(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
985 : {
986 : (void)taskInfo;
987 : return StringFormat(
988 : "InstrId[%u]: Post Shared Variable[%u] from Variable[0x%016llx], "
989 : "Use sem[%u], mask[0x%04x]",
990 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.waitSignal.paramId, ccuErrorInfo.msg.waitSignal.paramValue,
991 1 : ccuErrorInfo.msg.waitSignal.signalId, ccuErrorInfo.msg.waitSignal.signalMask);
992 : }
993 :
994 1 : string TaskExceptionHandler::GetCcuErrorMsgPostSharedSem(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
995 : {
996 : (void)taskInfo;
997 : return StringFormat(
998 1 : "InstrId[%u]: Post, Use sem[%u], mask[0x%04x]", ccuErrorInfo.instrId, ccuErrorInfo.msg.waitSignal.signalId,
999 1 : ccuErrorInfo.msg.waitSignal.signalMask);
1000 : }
1001 :
1002 1 : string TaskExceptionHandler::GetCcuErrorMsgRead(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1003 : {
1004 1 : auto pair = GetAddrPairByChannelId(ccuErrorInfo.msg.transMem.channelId, taskInfo);
1005 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.transMem.len);
1006 : return StringFormat(
1007 : "InstrId[%u]: Read Memory[0x%016llx] To Memory[0x%016llx], Len[%llu], "
1008 : "Set sem[%u] with mask[0x%04x], remoteRankId[%d], srcEID[%s], dstEID[%s] %s",
1009 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.transMem.rmtAddr, ccuErrorInfo.msg.transMem.locAddr,
1010 1 : ccuErrorInfo.msg.transMem.len, ccuErrorInfo.msg.transMem.signalId, ccuErrorInfo.msg.transMem.signalMask,
1011 2 : GetRankIdByChannelId(ccuErrorInfo.msg.transMem.channelId, taskInfo), pair.first.Describe().c_str(),
1012 4 : pair.second.Describe().c_str(), printMsg.c_str());
1013 1 : }
1014 :
1015 1 : string TaskExceptionHandler::GetCcuErrorMsgWrite(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1016 : {
1017 1 : auto pair = GetAddrPairByChannelId(ccuErrorInfo.msg.transMem.channelId, taskInfo);
1018 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.transMem.len);
1019 : return StringFormat(
1020 : "InstrId[%u]: Write Memory[0x%016llx] to Memory[0x%016llx], Len[%llu], "
1021 : "Set sem[%u] with mask[0x%04x], remoteRankId[%d], srcEID[%s], dstEID[%s] %s",
1022 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.transMem.locAddr, ccuErrorInfo.msg.transMem.rmtAddr,
1023 1 : ccuErrorInfo.msg.transMem.len, ccuErrorInfo.msg.transMem.signalId, ccuErrorInfo.msg.transMem.signalMask,
1024 2 : GetRankIdByChannelId(ccuErrorInfo.msg.transMem.channelId, taskInfo), pair.first.Describe().c_str(),
1025 4 : pair.second.Describe().c_str(), printMsg.c_str());
1026 1 : }
1027 :
1028 1 : string TaskExceptionHandler::GetCcuErrorMsgLocalCpy(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1029 : {
1030 : (void)taskInfo;
1031 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.transMem.len);
1032 : return StringFormat(
1033 : "InstrId[%u]: Read Memory[0x%016llx] to Memory[0x%016llx], Len[%llu], "
1034 : "Set sem[%u] with mask[0x%04x] %s",
1035 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.transMem.locAddr, ccuErrorInfo.msg.transMem.rmtAddr,
1036 1 : ccuErrorInfo.msg.transMem.len, ccuErrorInfo.msg.transMem.signalId, ccuErrorInfo.msg.transMem.signalMask,
1037 2 : printMsg.c_str());
1038 1 : }
1039 :
1040 1 : string TaskExceptionHandler::GetCcuErrorMsgLocalReduce(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1041 : {
1042 : (void)taskInfo;
1043 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.transMem.len);
1044 : return StringFormat(
1045 : "InstrId[%u]: Read Memory[0x%016llx] to Memory[0x%016llx], Len[%llu], "
1046 : "Set sem[%u] with mask[0x%04x], dataType[%u], opType[%u] %s",
1047 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.transMem.locAddr, ccuErrorInfo.msg.transMem.rmtAddr,
1048 1 : ccuErrorInfo.msg.transMem.len, ccuErrorInfo.msg.transMem.signalId, ccuErrorInfo.msg.transMem.signalMask,
1049 2 : ccuErrorInfo.msg.transMem.dataType, ccuErrorInfo.msg.transMem.opType, printMsg.c_str());
1050 1 : }
1051 :
1052 1 : string TaskExceptionHandler::GetCcuErrorMsgBufRead(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1053 : {
1054 1 : auto pair = GetAddrPairByChannelId(ccuErrorInfo.msg.bufTransMem.channelId, taskInfo);
1055 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.bufTransMem.len);
1056 : return StringFormat(
1057 : "InstrId[%u]: Read Rmt Mem[0x%016llx] To CcuBuffer[%u], Len[%llu], "
1058 : "sem[%u], mask[0x%04x], remoteRankId[%d], srcEID[%s], dstEID[%s] %s",
1059 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.bufTransMem.addr, ccuErrorInfo.msg.bufTransMem.bufId,
1060 1 : ccuErrorInfo.msg.bufTransMem.len, ccuErrorInfo.msg.bufTransMem.signalId,
1061 2 : ccuErrorInfo.msg.bufTransMem.signalMask, GetRankIdByChannelId(ccuErrorInfo.msg.bufTransMem.channelId, taskInfo),
1062 3 : pair.first.Describe().c_str(), pair.second.Describe().c_str(), printMsg.c_str());
1063 1 : }
1064 :
1065 1 : string TaskExceptionHandler::GetCcuErrorMsgBufWrite(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1066 : {
1067 1 : auto pair = GetAddrPairByChannelId(ccuErrorInfo.msg.bufTransMem.channelId, taskInfo);
1068 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.bufTransMem.len);
1069 : return StringFormat(
1070 : "InstrId[%u]: Write CcuBuffer[%u] To Rmt Mem[0x%016llx], Len[%llu], "
1071 : "sem[%u], mask[0x%04x], remoteRankId[%d], srcEID[%s], dstEID[%s] %s",
1072 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.bufTransMem.bufId, ccuErrorInfo.msg.bufTransMem.addr,
1073 1 : ccuErrorInfo.msg.bufTransMem.len, ccuErrorInfo.msg.bufTransMem.signalId,
1074 2 : ccuErrorInfo.msg.bufTransMem.signalMask, GetRankIdByChannelId(ccuErrorInfo.msg.bufTransMem.channelId, taskInfo),
1075 3 : pair.first.Describe().c_str(), pair.second.Describe().c_str(), printMsg.c_str());
1076 1 : }
1077 :
1078 1 : string TaskExceptionHandler::GetCcuErrorMsgBufLocRead(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1079 : {
1080 : (void)taskInfo;
1081 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.bufTransMem.len);
1082 : return StringFormat(
1083 : "InstrId[%u]: Read Loc Mem[0x%016llx] To CcuBuffer[%u], Len[%llu], sem[%u], mask[0x%04x] %s",
1084 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.bufTransMem.addr, ccuErrorInfo.msg.bufTransMem.bufId,
1085 1 : ccuErrorInfo.msg.bufTransMem.len, ccuErrorInfo.msg.bufTransMem.signalId,
1086 2 : ccuErrorInfo.msg.bufTransMem.signalMask, printMsg.c_str());
1087 1 : }
1088 :
1089 1 : string TaskExceptionHandler::GetCcuErrorMsgBufLocWrite(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1090 : {
1091 : (void)taskInfo;
1092 1 : string printMsg = GetCcuLenErrorMsg(ccuErrorInfo.msg.bufTransMem.len);
1093 : return StringFormat(
1094 : "InstrId[%u]: Write CcuBuffer[%u] To Loc Mem[0x%016llx], Len[%llu], sem[%u], mask[0x%04x] %s",
1095 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.bufTransMem.bufId, ccuErrorInfo.msg.bufTransMem.addr,
1096 1 : ccuErrorInfo.msg.bufTransMem.len, ccuErrorInfo.msg.bufTransMem.signalId,
1097 2 : ccuErrorInfo.msg.bufTransMem.signalMask, printMsg.c_str());
1098 1 : }
1099 :
1100 1 : string TaskExceptionHandler::GetCcuErrorMsgBufReduce(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1101 : {
1102 : (void)taskInfo;
1103 1 : stringstream buffIds;
1104 5 : for (uint32_t i = 0; i < BUF_REDUCE_ID_SIZE; ++i) {
1105 5 : const auto buffId = ccuErrorInfo.msg.bufReduce.bufIds[i];
1106 5 : if (buffId == UINT16_MAX) {
1107 1 : break;
1108 : }
1109 4 : if (i != 0) {
1110 3 : buffIds << ", ";
1111 : }
1112 4 : buffIds << to_string(buffId);
1113 : }
1114 :
1115 : return StringFormat(
1116 : "InstrId[%u]: Buffer Reduce count[%u], dataType[%u], outputDataType[%u], opType[%u], "
1117 : "sem[%u], mask[0x%04x], CcuBuffers[%s]",
1118 1 : ccuErrorInfo.instrId, ccuErrorInfo.msg.bufReduce.count, ccuErrorInfo.msg.bufReduce.dataType,
1119 1 : ccuErrorInfo.msg.bufReduce.outputDataType, ccuErrorInfo.msg.bufReduce.opType,
1120 2 : ccuErrorInfo.msg.bufReduce.signalId, ccuErrorInfo.msg.bufReduce.signalMask, buffIds.str().c_str());
1121 1 : }
1122 :
1123 1 : string TaskExceptionHandler::GetCcuErrorMsgDefault(const CcuErrorInfo& ccuErrorInfo)
1124 : {
1125 1 : return StringFormat("InstrId[%u]: CcuErrorType[%s]", ccuErrorInfo.instrId, ccuErrorInfo.type.Describe().c_str());
1126 : }
1127 :
1128 1 : string TaskExceptionHandler::GetCcuErrorMsgMission(const CcuErrorInfo& ccuErrorInfo)
1129 : {
1130 : return StringFormat(
1131 1 : "InstrId[%u]: dieId[%u], missionId[%u], missionError[%s]", ccuErrorInfo.instrId, ccuErrorInfo.dieId,
1132 1 : ccuErrorInfo.missionId, ccuErrorInfo.msg.mission.missionError);
1133 : }
1134 :
1135 21 : string TaskExceptionHandler::GetCcuErrorMsgByType(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo)
1136 : {
1137 21 : if (ccuErrorInfo.type == CcuErrorType::MISSION) {
1138 1 : return GetCcuErrorMsgMission(ccuErrorInfo);
1139 : }
1140 :
1141 : using GetCcuErrorMsgFunc = string (*)(const CcuErrorInfo& ccuErrorInfo, const TaskInfo& taskInfo);
1142 : static const map<CcuRepType, GetCcuErrorMsgFunc> handlerMap{
1143 : {CcuRepType::LOOP, &TaskExceptionHandler::GetCcuErrorMsgLoop},
1144 : {CcuRepType::LOOPGROUP, &TaskExceptionHandler::GetCcuErrorMsgLoopGroup},
1145 : {CcuRepType::LOC_POST_SEM, &TaskExceptionHandler::GetCcuErrorMsgLocPostSem},
1146 : {CcuRepType::LOC_WAIT_SEM, &TaskExceptionHandler::GetCcuErrorMsgLocWaitSem},
1147 : {CcuRepType::REM_POST_SEM, &TaskExceptionHandler::GetCcuErrorMsgRemPostSem},
1148 : {CcuRepType::REM_WAIT_SEM, &TaskExceptionHandler::GetCcuErrorMsgRemWaitSem},
1149 : {CcuRepType::REM_POST_VAR, &TaskExceptionHandler::GetCcuErrorMsgRemPostVar},
1150 : {CcuRepType::REM_WAIT_GROUP, &TaskExceptionHandler::GetCcuErrorMsgRemWaitGroup},
1151 : {CcuRepType::POST_SHARED_VAR, &TaskExceptionHandler::GetCcuErrorMsgPostSharedVar},
1152 : {CcuRepType::POST_SHARED_SEM, &TaskExceptionHandler::GetCcuErrorMsgPostSharedSem},
1153 : {CcuRepType::READ, &TaskExceptionHandler::GetCcuErrorMsgRead},
1154 : {CcuRepType::WRITE, &TaskExceptionHandler::GetCcuErrorMsgWrite},
1155 : {CcuRepType::LOCAL_CPY, &TaskExceptionHandler::GetCcuErrorMsgLocalCpy},
1156 : {CcuRepType::LOCAL_REDUCE, &TaskExceptionHandler::GetCcuErrorMsgLocalReduce},
1157 : {CcuRepType::BUF_READ, &TaskExceptionHandler::GetCcuErrorMsgBufRead},
1158 : {CcuRepType::BUF_WRITE, &TaskExceptionHandler::GetCcuErrorMsgBufWrite},
1159 : {CcuRepType::BUF_LOC_READ, &TaskExceptionHandler::GetCcuErrorMsgBufLocRead},
1160 : {CcuRepType::BUF_LOC_WRITE, &TaskExceptionHandler::GetCcuErrorMsgBufLocWrite},
1161 22 : {CcuRepType::BUF_REDUCE, &TaskExceptionHandler::GetCcuErrorMsgBufReduce}};
1162 :
1163 20 : const auto funcIt = handlerMap.find(ccuErrorInfo.repType);
1164 20 : if (funcIt == handlerMap.end()) {
1165 1 : return GetCcuErrorMsgDefault(ccuErrorInfo);
1166 : } else {
1167 19 : return funcIt->second(ccuErrorInfo, taskInfo);
1168 : }
1169 : }
1170 :
1171 5 : RankId TaskExceptionHandler::GetRankIdByChannelId(uint16_t channelId, const TaskInfo& taskInfo)
1172 : {
1173 5 : if (taskInfo.taskParam_.taskType != TaskParamType::TASK_CCU) {
1174 3 : HCCL_ERROR("[TaskException][%s]Get RankId failed, task type error.", __func__);
1175 1 : return INVALID_RANKID;
1176 : }
1177 4 : if (taskInfo.dfxOpInfo_ == nullptr || taskInfo.dfxOpInfo_->comm_ == nullptr) {
1178 3 : HCCL_ERROR("[TaskException][%s]Get RankId failed, communicator is nullptr.", __func__);
1179 1 : return INVALID_RANKID;
1180 : }
1181 3 : const CommunicatorImpl* communicator = (CommunicatorImpl*)taskInfo.dfxOpInfo_->comm_;
1182 3 : auto* collServiceBase = communicator->GetCcuCollService();
1183 2 : if (collServiceBase == nullptr) {
1184 3 : HCCL_ERROR("[TaskException][%s]Failed to get collService from communicator.", __func__);
1185 1 : return INVALID_RANKID;
1186 : }
1187 1 : auto* collServiceCcu = static_cast<CollServiceDeviceMode*>(collServiceBase);
1188 1 : const uint8_t dieId = taskInfo.taskParam_.taskPara.Ccu.dieId;
1189 1 : return collServiceCcu->GetCcuInsPreprocessor()->GetCcuComm()->GetCcuJettyMgr()->GetRemoteRankIdByChannelId(
1190 1 : dieId, channelId);
1191 : }
1192 :
1193 : std::pair<IpAddress, IpAddress>
1194 4 : TaskExceptionHandler::GetAddrPairByChannelId(uint16_t channelId, const TaskInfo& taskInfo)
1195 : {
1196 4 : std::pair<IpAddress, IpAddress> dummy = {IpAddress(), IpAddress()};
1197 4 : if (taskInfo.taskParam_.taskType != TaskParamType::TASK_CCU) {
1198 12 : HCCL_ERROR(
1199 : "[TaskException][%s]Get AddrPair failed, task type error[%s]", __func__,
1200 : taskInfo.taskParam_.Describe().c_str());
1201 4 : return dummy;
1202 : }
1203 0 : if (taskInfo.dfxOpInfo_ == nullptr || taskInfo.dfxOpInfo_->comm_ == nullptr) {
1204 0 : HCCL_ERROR("[TaskException][%s]Get AddrPair failed, communicator is nullptr.", __func__);
1205 0 : return dummy;
1206 : }
1207 0 : const CommunicatorImpl* communicator = (CommunicatorImpl*)taskInfo.dfxOpInfo_->comm_;
1208 0 : auto* collServiceBase = communicator->GetCcuCollService();
1209 0 : if (collServiceBase == nullptr) {
1210 0 : HCCL_ERROR("[TaskException][%s]Failed to get collService from communicator.", __func__);
1211 0 : return dummy;
1212 : }
1213 0 : auto* collServiceCcu = static_cast<CollServiceDeviceMode*>(collServiceBase);
1214 0 : const uint8_t dieId = taskInfo.taskParam_.taskPara.Ccu.dieId;
1215 0 : return collServiceCcu->GetCcuInsPreprocessor()->GetCcuComm()->GetCcuJettyMgr()->GetAddrPairByChannelId(
1216 0 : dieId, channelId);
1217 : }
1218 :
1219 1 : std::tuple<std::string, std::string, std::string, std::string> TaskExceptionHandler::GetCcuErrorIpInfo(
1220 : [[maybe_unused]] uint32_t deviceId, [[maybe_unused]] uint16_t status, const TaskInfo& taskInfo)
1221 : {
1222 2 : std::string localServerId = "";
1223 2 : std::string localIp = "";
1224 2 : std::string remoteIp = "";
1225 1 : std::string remoteId = "";
1226 :
1227 1 : char serverIdBuf[64] = {0};
1228 1 : if (get_server_id(serverIdBuf, sizeof(serverIdBuf)) == 0) {
1229 1 : localServerId = serverIdBuf;
1230 : }
1231 :
1232 1 : auto ccuDetailInfo = taskInfo.taskParam_.ccuDetailInfo;
1233 1 : if (ccuDetailInfo != nullptr && !ccuDetailInfo->empty()
1234 1 : && ccuDetailInfo->at(0).channelId[0] != INVALID_VALUE_CHANNELID) {
1235 0 : uint16_t channelId = ccuDetailInfo->at(0).channelId[0];
1236 0 : auto addrPair = GetAddrPairByChannelId(channelId, taskInfo);
1237 0 : localIp = addrPair.first.Describe();
1238 0 : remoteIp = addrPair.second.Describe();
1239 0 : remoteId = std::to_string(taskInfo.remoteRank_);
1240 : }
1241 2 : return std::make_tuple(localServerId, localIp, remoteIp, remoteId);
1242 1 : }
1243 :
1244 : } // namespace Hccl
|
