Diagnostic Timeout Watchdog NCCL et rank d'origine
Le processus qui lève le timeout WorkNCCL est presque toujours un survivant sain bloqué en attente d'un pair tombé plus tôt.
Signature typique dans les logs
[E ProcessGroupNCCL.cpp:563] [Rank 0] Watchdog caught collective operation timeout: WorkNCCL(SeqNum=41208, OpType=ALLREDUCE, NumelIn=67108864) ran for 600000 msMécanisme réel et distinction des cascades
Un CUDA OOM, un OOM-killer système (SIGKILL), un Xid 79 ou un DataLoader ralenti bloque une barrière `ALLREDUCE` jusqu'au déclenchement du Watchdog.
Commandes de collecte avant redémarrage
export NCCL_DEBUG=INFO
export TORCH_NCCL_ASYNC_ERROR_HANDLING=1
export TORCH_NCCL_TRACE_BUFFER_SIZE=2000
export TORCH_NCCL_DUMP_ON_TIMEOUT=1
dmesg -T | grep -i -E "nvrm|xid|mlx5|oom|pcie"Procédure de triage sécurisée
- Synchroniser les horodatages de tous les ranks pour trouver la première exception, SIGKILL ou Xid noyau.
- Comparer `WorkNCCL(SeqNum=...)` afin de repérer la collective commune figée.
- Séparer les pannes RDMA physiques (`ibv_poll_cq error 12`) des goulots logiciels.
Tester gratuitement votre log GPU pour trouver le premier événement
Les adresses IP, clés et chemins privés sont masqués localement dans votre navigateur.
Consultez avant envoi : traitement cloud et exécution 100 % locale hors ligne.
Les fichiers volumineux sont condensés dans votre navigateur. Seules les preuves sélectionnées sont transmises au diagnostic.
Questions fréquentes
Augmenter le délai NCCL suffit-il à régler le problème ?
Non. Allonger le timeout ne fait qu'attendre plus longtemps un worker mort ; activez `TORCH_NCCL_DUMP_ON_TIMEOUT=1`.
Si le rank 0 affiche le premier timeout, est-il en panne ?
Généralement non : il attendait la réponse d'un autre rank silencieux.
Autres fiches GPU en français
Essayez Denpex pendant 30 jours. GRATUIT.
Sans carte bancaire. Sans abonnement automatique. Vérifiez l'utilité de Denpex sur un incident que vous connaissez déjà.
Démarrer votre évaluation Team gratuite de 30 jours
Jusqu'à 50 diagnostics par jour pendant 30 jours. Vérifiez votre e-mail professionnel pour activer votre essai d'entreprise, rejouez un incident déjà résolu et comparez les preuves avec la cause confirmée par votre équipe.