PyTorch多机训练前检查：NCCL网络、端口、网卡与故障定位

适用目标

在启动正式训练前排除多机通信、网卡选择和端口连通问题。本文面向已经能够使用Linux命令行、但需要把环境做成可重复交付的工程人员。操作前先备份现有配置，并记录硬件型号、系统内核和当前软件版本。

准备工作

节点驱动与框架版本一致，主机名和时钟同步，训练网卡地址明确。建议建立独立测试目录和变更记录，所有命令、镜像标签、配置文件与测试结果都写入同一份实施日志。生产机器不要边排错边无记录升级。

实施步骤

逐节点验证GPU。

检查SSH和训练端口。

固定NCCL_SOCKET_IFNAME。

运行torchrun最小all-reduce。

查看NCCL_DEBUG日志。

分别测试单机多卡与双机扩展。

保存拓扑和带宽结果。每完成一步立即保存输出，出现异常时只回退最近一项变更。

常见误区

容器网络、IB/RoCE配置和防火墙常导致假死。

不要直接用完整训练任务测试通信。

混用不同NCCL版本会增加定位难度。如果现象与预期不符，应缩小到最小复现环境，不要直接在完整业务栈中猜测原因。

验证与验收

所有rank成功加入，all-reduce数值一致，无超时，带宽达到预期且重复运行稳定。除一次性功能验证外，至少重复三次并进行重启复测。性能类任务必须固定输入、输出和并发口径，同时记录P50、P95和失败率。

交付清单

交付物应包含版本清单、配置文件、启动与停止命令、监控入口、已知限制、故障处理步骤和回滚方法。只有其他工程师能够依据文档重新完成部署，教程才算真正可执行。

可复现实施记录

本节把“PyTorch多机训练前检查：NCCL网络、端口、网卡与故障定位”落到可以复核的操作边界。测试对象是PyTorch 多机 NCCL。实施前先冻结硬件清单、系统镜像、依赖版本、模型版本和业务参数，并给每次验证分配独立记录编号。所有节点统一驱动、CUDA、PyTorch、NCCL 和容器镜像，校准时钟并固定主节点地址、通信网卡与 rank 分配。

验收数据怎么记录

不要只记录一次成功截图。冷启动和预热后各运行三轮，表格至少包含测试时间、并发数、输入长度、输出长度、首 Token 延迟、P50/P95 总延迟、吞吐、CPU、内存、GPU 显存、GPU 利用率、错误码与日志位置。先跑 all_reduce 小数据，再逐步增加张量尺寸；记录总线带宽、GPU 利用率和重试次数，遇到挂起时保留 NCCL_DEBUG 日志与网络计数器。

变更与回退

上线时保留上一版镜像、配置和模型版本，先让少量真实请求进入新实例。若 P95 延迟上升超过 20%、连续错误率超过 1% 或出现无法解释的结果偏差，立即停止扩容新版本并切回旧实例。回退后仍需保存失败现场，不能用重启覆盖日志。文中的参数是复现起点，最终阈值应由实际业务请求和硬件测量结果确定。