分散通信・二次連鎖症状
NCCL Watchdog タイムアウト原因特定ガイド
NCCL timeout を出力した Rank はほとんどの場合「相手を待ち続けて生き残っていた被害者」であり、最初に停止・遅延した別ノードが真因です。
代表的なログシグネチャ
[E ProcessGroupNCCL.cpp:563] [Rank 0] Watchdog caught collective operation timeout: WorkNCCL(SeqNum=41208, OpType=ALLREDUCE, NumelIn=67108864) ran for 600000 ms根本原因と二次症状の見分け方
別ノードで CUDA OOM、ホスト RAM OOM-killer (SIGKILL)、Xid 79 バス脱落、またはデータロード遅延が起きると、他 Rank が `ALLREDUCE` 等で 10 分以上待機して Watchdog を発動させます。
再起動・再試行前に収集すべき証拠コマンド
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"安全な切り分けと復旧ステップ
- 全 Rank のログから最初の例外・SIGKILL・カーネル Xid をタイムスタンプ順 (タイムゾーン補正) で比較します。
- `WorkNCCL(SeqNum=...)` の最小値を確認し、進行が遅れていた集合通信番号を特定します。
- ハードウェア要因 (`ibv_poll_cq error 12` 等) とデータローダーのストラグラーを分けて対処します。
登録不要のライブ診断
お手元のログで最初の故障原因を無料チェック
生ログを貼り付けると、ブラウザ内で機密値を自動マスクして起点ノードや二次エラーを切り分けます。
アップロード前に クラウドでのデータ取り扱いと完全ローカル実行の選択肢 をご確認ください。
training_logs.txt
手元にログがない場合はサンプルでお試しください:
ログファイルを選択してください。大きなファイルはブラウザ内で整形され、抽出された証跡のみが診断に送信されます。
1日3回まで無料のクラウド診断
よくある質問
NCCL_ASYNC_ERROR_HANDLING と Watchdog 延長だけで直りますか?
いいえ。タイムアウト延長は根本原因 (遅い Rank や OOM) を先送りするだけです。`TORCH_NCCL_DUMP_ON_TIMEOUT=1` でフライトレコーダーを残して原因 Rank を特定してください。
Rank 0 のタイムアウトが出た場合 Rank 0 が故障ですか?
通常は逆で、Rank 0 以外のどれかが応答不能になっているサインです。
関連する日本語 GPU 障害ガイド
NVIDIA Xid 79 (GPU has fallen off the bus) 原因切り分けホスト RAM OOM-killer (SIGKILL / exit 137) 診断CUDA out of memory (PyTorch / vLLM VRAM 不足) 診断と対策無料 LLM VRAM 計算機で試算
英語版の完全データベース詳細:English Technical Reference を開く
Denpex を 30 日間お試し。 無料。
クレジットカード不要。自動課金なし。すでに原因をご存じのインシデントで Denpex の精度を検証できます。
30日間の無料 Team 評価を開始
30日間、1日最大50件まで診断可能。法人メールアドレスを認証して利用を開始し、解決済みインシデントを再実行して根拠と次アクションをチームの確定原因と比較できます。