RDMA failure #2265
Comments
|
用的是什么样的业务？是example么？怎样的测试？ |
|
不是example，场景是一个分布式训练任务，打开RDMA开关后会出现。有没有啥辅助日志可以帮助排查的，类似TF VLOG那种？ |
|
这类错误可能是多个线程同时访问一个IOBuf导致的。先禁掉zero copy看看是否还必现？rdma_recv_zerocopy=false（禁用接收端zerocopy），rdma_zerocopy_min_size=[比较大的值]（禁用发送端zerocopy）。先确认下是rpc内部竞争了，还是rpc和上面的应用之间竞争了。 |
|
设置了 客户端： |
|
是每次报错都来自server端吗？能否提供更多的复现方法或者问题触发时的特征？ |
|
每次都是Server端先报错： 在使用TCP时，没有出现过类似报错 |
是一个客户端的多个RPC失败，还是多个客户端的RPC失败？ |
|
前者，一个客户端的多个RPC失败 |
抱歉，我刚查了一下代码，上面这个说法有问题。rdma_zerocopy_min_size=[比较大的值]禁用的仍然是接收端zerocopy。发送端zerocopy暂时没法通过Flag禁用。我去做个版本，支持下关闭发送端zerocopy你再试试 |
|
#2267 这种IOBuf数据问题debug确实有些困难。如果打log数据量太大了 |
|
#2267 有个typo需要fix一下，pipeline没有define |
|
禁用send_zerocopy之后， |
|
你使用的rdma相关的flag都有哪些？能否贴一下看看 |
|
|
其他的flag有设置吧？block size什么的 |
|
没有， |
|
多节点运行还是不行 |
|
程序里面是否有调用RegisterMemoryForRdma专门注册其他内存？ |
|
有的，关闭zerocopy之后，不能再调用RegisterMemoryForRdma？ |
|
那就是程序内有使用append_user_data直接使用了外部的内存，并且做了单独的注册对吧？不过你这个错误我目前还没在本地复现出来。还有别的线索吗 |
是的，区别只是rdma_send/recv_zerocopy传false，传true能跑，传false不能 |
|
我目前仍然无法本地复现这样的问题。你们的程序里是否主动调用了ibverbs的发送？这个错误显示的是发送的数据没有在被注册的Memory Region内。 |
有获取 |
|
如果是裸调ibv_reg_mr的，注册下来的mkey是通过append_user_data_with_meta传进去的是吧？ |
|
是的，不然禁用zerocopy之前，也跑不起来 |
|
应该是没commit全。再试试呢 |
|
和之前的问题没有关系。是禁用zero_copy的时候复用了这个函数。 |
上面那个不改，master分支有问题吗？ |
|
不开send zero copy就没啥问题。如果出问题会出Fail to handle RDMA completion, error status(4)这类错误。 |
|
RTR是说ready to receive packet，post receive是可以的。你说不生效是测试报错了吗 |
|
没有报错，就是想问下，实际上这些WR会等到RTR状态再处理的对吧？ 另外想请教下，类似Socket EOF的报错，应该怎么排查呢？我不太清楚这里面的状态机咋维护的。看日志有点像socket状态流转不对。 |
|
RTR状态之前不会处理的。 |
|
不是发生在刚刚创建。在通信过程中发生的，会不会是send/recv pair错乱了导致？从我的出现频率看，QPS高了之后比较容易出现 |
|
上面这个错误，贴下另外一端的日志？10.156.8.30这个 |
|
客户端发现 LOG(WARNING) << method_name_ << " RPC failed, " << cntl.ErrorText()2023-07-24 15:26:52.658294: W xxx/yyy.cc:394] StreamSend RPC failed, [E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R1][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R2][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R3][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R4][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R5][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R6][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R7][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R8][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R9][E112]Not connected to 10.156.9.20:16619 yet, server_id=47 [R10][E112]Not connected to 10.156.9.20:16619 yet
...
W0724 15:26:52.656967 1267 external/brpc/src/brpc/controller.cpp:675] `CanRetryBackoffInPthread()' returns false, skip retry backoff in pthread.
W0724 15:26:52.657038 1267 external/brpc/src/brpc/controller.cpp:675] `CanRetryBackoffInPthread()' returns false, skip retry backoff in pthread.
W0724 15:26:52.657049 1267 external/brpc/src/brpc/controller.cpp:675] `CanRetryBackoffInPthread()' returns false, skip retry backoff in pthread.
...
|
|
看日志里面，是用到了rpc的stream么？ |
|
没有Stream，只是RPC名字包含Stream LOG(WARNING) << method_name_ << " RPC failed, " ... |
|
两边的日志打包发一下看看？ |
|
日志不多的。其中有些日志是我在BRPC里面加的 diff --git a/src/brpc/rdma/rdma_endpoint.cpp b/src/brpc/rdma/rdma_endpoint.cpp
index d3a91560..e7e60ff4 100644
--- a/src/brpc/rdma/rdma_endpoint.cpp
+++ b/src/brpc/rdma/rdma_endpoint.cpp
@@ -251,7 +251,9 @@ void RdmaConnect::StartConnect(const Socket* socket,
}
}
-void RdmaConnect::StopConnect(Socket* socket) { }
+void RdmaConnect::StopConnect(Socket* socket) {
+ LOG(INFO) << "RdmaConnect StopConnect called";
+}
void RdmaConnect::Run() {
_done(errno, _data);
@@ -274,6 +276,7 @@ static void TryReadOnTcpDuringRdmaEst(Socket* s) {
break;
}
} else if (nr == 0) {
+ LOG(INFO) << "Got socket EOF, " << *s;
s->SetEOF();
return;
} else {
@@ -330,7 +333,7 @@ void RdmaEndpoint::OnNewDataFromTcp(Socket* m) {
}
}
-bool HelloNegotiationValid(HelloMessage& msg) {
+bool HelloNegotiationValid(const HelloMessage& msg) {
if (msg.hello_ver == g_rdma_hello_version &&
msg.impl_ver == g_rdma_impl_version &&
msg.block_size >= MIN_BLOCK_SIZE &&
@@ -360,6 +363,7 @@ int RdmaEndpoint::ReadFromFd(void* data, size_t len) {
}
}
} else {
+ PLOG(WARNING) << "Failed to read";
return -1;
}
} else if (nr == 0) { // Got EOF
@@ -1030,7 +1034,7 @@ int RdmaEndpoint::PostRecv(uint32_t num, bool zerocopy) {
if (_rq_received == _rq_size) {
_rq_received = 0;
}
- };
+ }
return 0;
}
@@ -1168,11 +1172,6 @@ int RdmaEndpoint::BringUpQp(uint16_t lid, ibv_gid gid, uint32_t qp_num) {
return -1;
}
- if (PostRecv(_rq_size, true) < 0) {
- PLOG(WARNING) << "Fail to post recv wr";
- return -1;
- }
-
attr.qp_state = IBV_QPS_RTR;
attr.path_mtu = IBV_MTU_1024; // TODO: support more mtu in future
attr.ah_attr.grh.dgid = gid;
@@ -1202,6 +1201,11 @@ int RdmaEndpoint::BringUpQp(uint16_t lid, ibv_gid gid, uint32_t qp_num) {
return -1;
}
+ if (PostRecv(_rq_size, true) < 0) {
+ PLOG(WARNING) << "Fail to post recv wr";
+ return -1;
+ }
+
attr.qp_state = IBV_QPS_RTS;
attr.timeout = TIMEOUT;
attr.retry_cnt = RETRY_CNT;
@@ -1293,7 +1297,8 @@ void RdmaEndpoint::DeallocateResources() {
static const int MAX_CQ_EVENTS = 128;
int RdmaEndpoint::GetAndAckEvents() {
- int events = 0; void* context = NULL;
+ int events = 0;
+ void* context = NULL;
while (1) {
if (IbvGetCqEvent(_resource->comp_channel, &_resource->cq, &context) < 0) {
if (errno != EAGAIN) {
@@ -1354,11 +1359,13 @@ void RdmaEndpoint::PollCq(Socket* m) {
// that the event arrives after the poll but before the notify,
// we should re-poll the CQ once after the notify to check if
// there is an available CQE.
- if (ibv_req_notify_cq(ep->_resource->cq, 1) < 0) {
+ if (ibv_req_notify_cq(ep->_resource->cq, /*solicited_only=*/1) <
+ 0) {
const int saved_errno = errno;
- PLOG(WARNING) << "Fail to arm CQ comp channel: " << s->description();
+ PLOG(WARNING)
+ << "Fail to arm CQ comp channel: " << s->description();
s->SetFailed(saved_errno, "Fail to arm cq channel from %s: %s",
- s->description().c_str(), berror(saved_errno));
+ s->description().c_str(), berror(saved_errno));
return;
}
notified = true;
@@ -1387,7 +1394,8 @@ void RdmaEndpoint::PollCq(Socket* m) {
PLOG(WARNING) << "Fail to handle RDMA completion, error status("
<< wc[i].status << "): " << s->description();
s->SetFailed(ERDMA, "RDMA completion error(%d) from %s: %s",
- wc[i].status, s->description().c_str(), berror(ERDMA));
+ wc[i].status, s->description().c_str(),
+ berror(ERDMA));
continue;
}
diff --git a/src/brpc/socket.cpp b/src/brpc/socket.cpp
index c49ca083..4ebba8d2 100644
--- a/src/brpc/socket.cpp
+++ b/src/brpc/socket.cpp
@@ -803,6 +803,7 @@ int Socket::WaitAndReset(int32_t expected_nref) {
#if BRPC_WITH_RDMA
if (_rdma_ep) {
+ LOG(WARNING) << "Reset RdmaEndpoint, " << description();
_rdma_ep->Reset();
_rdma_state = RDMA_UNKNOWN;
}
server client |
|
RDMA handshake只需要一次就可以建立QP了吧？ 看日志在Close Socket后，又发生了一次信息交换。 |
|
Close Socket之后要自动重连吧。client没有自动重连的日志吗 |
|
这些就是重连日志吧，不过为啥会突然Close Socket呢？这是预期内的行为吗？ |
|
Close Socket的原因是检查到rpc消息格式错误。 根本的问题还是在rpc消息格式错误这里。 |
|
哪里加日志方便排查问题呢？消息格式错误一般是啥原因导致的 |
|
可以按照下方的改动试下把发送方向和接收方向看到的message的内容打印下看看。 --- a/src/brpc/rdma/rdma_endpoint.cpp
+++ b/src/brpc/rdma/rdma_endpoint.cpp
@@ -896,6 +896,7 @@ ssize_t RdmaEndpoint::CutFromIOBufList(butil::IOBuf** from, size_t ndata) {
return -1;
}
+ LOG_IF(INFO, FLAGS_rdma_trace_verbose) << _sbuf[_sq_current];
++_sq_current;
if (_sq_current == _sq_size - RESERVED_WR_NUM) {
_sq_current = 0;
@@ -950,6 +951,7 @@ ssize_t RdmaEndpoint::HandleCompletion(ibv_wc& wc) {
case IBV_WC_RECV: { // recv completion
// Please note that only the first wc.byte_len bytes is valid
if (wc.byte_len > 0) {
+ LOG_IF(INFO, FLAGS_rdma_trace_verbose) << _rbuf[_rq_received];
if (wc.byte_len < (uint32_t)FLAGS_rdma_zerocopy_min_size) {
zerocopy = false;
} |
|
好的，这个日志量可能没法落盘，实在是太大了（日志量是几个GB/s)。有没有从代码层面分析的可能呢？ 另外请教下，当 brpc/src/brpc/rdma/rdma_endpoint.cpp Line 946 in 92ad882 |
|
分配过的。 日志尝试收集一下吧。 |
|
是在哪里分配的可以贴一下吗？ |
|
PostRecv里面分配的。 |
|
说的是这里吧，zerocopy为False时， brpc/src/brpc/rdma/rdma_endpoint.cpp Lines 1008 to 1024 in e6881ee |
|
这些用的是内存池里的内存。一开始就注册了 |
|
这个报错也有点奇怪， brpc/src/brpc/input_messenger.cpp Lines 115 to 122 in 3bc4366 |
diff --git a/src/brpc/input_messenger.cpp b/src/brpc/input_messenger.cpp
index 43167d5b..787fc993 100644
--- a/src/brpc/input_messenger.cpp
+++ b/src/brpc/input_messenger.cpp
@@ -113,7 +113,11 @@ ParseResult InputMessenger::CutInputMessage(
}
if (m->CreatedByConnect()) {
- if((ProtocolType)cur_index == PROTOCOL_BAIDU_STD) {
+ LOG(INFO) << "cur_index=" << cur_index
+ << " preferred=" << preferred
+ << " result.error()=" << result.error()
+ << " result.error_str()=" << result.error_str();
+ if ((ProtocolType)cur_index == PROTOCOL_BAIDU_STD) {
// baidu_std may fall to streaming_rpc.
cur_index = (int)PROTOCOL_STREAMING_RPC;
continue;
@@ -332,7 +336,7 @@ void InputMessenger::OnNewMessages(Socket* m) {
// - If the socket has only one message, the message will be parsed and
// processed in this bthread. nova-pbrpc and http works in this way.
// - If the socket has several messages, all messages will be parsed (
- // meaning cutting from butil::IOBuf. serializing from protobuf is part of
+ // meaning cutting from butil::IOBuf. Deserializing from protobuf is part of
// "process") in this bthread. All messages except the last one will be
// processed in separate bthreads. To minimize the overhead, scheduling
// is batched(notice the BTHREAD_NOSIGNAL and bthread_flush). |
|
这些都是数据错误的结果，不是原因。至少先尝试出错的时候FATAL core出来吧 |
|
哪个地方abort呢？ 在应用层出现RPC失败的时候吗？出core了之后，查看那些变量呢？ |
|
就在出现协议错误这里。fatal前也顺便brpc::rdma::DumpMemoryPoolInfo()下。 另外，也贴下你和rdma相关的所有的flag设置看看。以及程序你的user_data是多大的？ |
|
补充一点发现：CC @Tuvie
rdma_state=ON
handshake_state=ESTABLISHED
rdma_window_size=125
rdma_local_window_capacity=125
rdma_remote_window_capacity=125
rdma_sbuf_head=60
rdma_sbuf_tail=60
rdma_rbuf_head=118
rdma_unacked_rq_wr=32
rdma_received_ack=0
rdma_unsolicited_sent=0
rdma_unsignaled_sq_wr=14
rdma_state=ON
handshake_state=ESTABLISHED
rdma_window_size=19
rdma_local_window_capacity=125
rdma_remote_window_capacity=125
rdma_sbuf_head=67
rdma_sbuf_tail=86
rdma_rbuf_head=22
rdma_unacked_rq_wr=0
rdma_received_ack=0
rdma_unsolicited_sent=0
rdma_unsignaled_sq_wr=5分析 此外，如果 RPC 的数据较小，比如：限制在 64KB 以内，就会不容易出现。 |
|
把 假设接收到的 RdmaIOBuf 列表为 Updated:
Updated again: |
Describe the bug (描述bug)
To Reproduce (复现方法)
master分支，RDMA打开的情况，数小时之内必现
Expected behavior (期望行为)
Versions (各种版本)
OS:
Compiler:
brpc:
protobuf:
Additional context/screenshots (更多上下文/截图)
The text was updated successfully, but these errors were encountered: