HCCL Test执行时返回“retcode: 7”错误

问题现象

执行HCCL Test测试命令时，HCCL Test工具已启动成功，但打印出数据量，时间，带宽的表头后，后续执行报错，报错如下所示：

the minbytes is 8192, maxbytes is 2147483648, iters is 20, warmup_iters is 5
hccl interface return errreturn err ./common/src/hccl_test_common.cc:538, retcode: 7 
This is an error in init_hcclComm.
hccl interface return errreturn err ./common/src/hccl_test_common.cc:538, retcode: 7 
This is an error in init_hcclComm.
hccl interface return errreturn err ./common/src/hccl_test_common.cc:538, retcode: 7 
This is an error in init_hcclComm.
hccl interface return errreturn err ./common/src/hccl_test_common.cc:538, retcode: 7 
This is an error in init_hcclComm.

可能原因

集群中与当前节点通信的节点上存在未退出的hccl_test进程。

解决方法

利用mpirun的能力，终止残余的hccl_test进程，操作步骤如下：
  1. 自定义一个Hostfile文件，例如命名为hostfile_1，内容格式如下：
    worker-0 slots=1
worker-1 slots=1
worker-2 slots=1
worker-3 slots=1
... ...
worker-510 slots=1
worker-511 slots=1

    其中“worker-0”到“worker-511”是集群中节点的主机名，“slots=1”代表该节点上仅开启一个进程，此Hostfile文件中需要包含参与集合通信的所有节点的信息。

  2. 执行如下命令，终止集群中所有节点上的多余hccl_test进程。

    /usr/local/openmpi-4.1.5/bin/mpirun -hostfile hostfile_1 -n 512 pkill -9 -f hccl_test

    • -n 512：512代表集群中的节点数量。
    • hostfile_1是1中定义的Hostfile文件。
父主题： 常见问题及解决方法