当前位置：首页 > article >正文

基于PyTorch通信算子的分布式训练阻塞定位方法

article 2025/3/14 15:17:52

基于PyTorch通信算子的分布式训练阻塞定位方法

- 一、问题背景
- 二、解决方案设计
- - 1. 通信算子拦截
  - 2. 执行路径追踪
- 三.代码
- 四、总结与扩展
- - 方案优势
  - 扩展应用

一、问题背景

在分布式深度学习训练场景中，由于多节点间的通信同步需求，程序可能因以下原因出现阻塞：

网络传输延迟波动
通信算子调用时序问题
张量数据规模不匹配
硬件设备同步异常

传统调试方法难以准确定位阻塞发生的具体通信环节，需要非侵入式的调试来捕获通信算子的执行状态。

二、解决方案设计

本方案采用双管齐下的调试策略：

1. 通信算子拦截

功能注入：通过包装原生通信算子
- 注入同步机制确保调试信息准确性
- 支持张量数据追踪与修改
- 统计各算子调用频次

2. 执行路径追踪

使用trace.Trace模块
- 可视化代码执行路径
- 捕获阻塞点的调用栈信息
- 过滤系统库调用噪声

三.代码

import torch.distributed as dist
import torch.distributed
from collections import defaultdict
call_counts = defaultdict(int)

def recursive_tensor_processor(data, op_name, phase):
    """递归处理通信算子输入输出张量
    Args:
        data: 待处理数据(支持Tensor/List/Dict)
        op_name: 通信算子名称
        phase: 处理阶段(Input/Output)
    """
    if torch.distributed.get_rank() != 0:  # 仅主节点记录
        return
    
    if isinstance(data, torch.Tensor):
        operation_stats[op_name] += 1
        log_message = (
            f"[{op_name}] {phase} #{operation_stats[op_name]} | "
            f"Shape: {data.shape} | "
            f"Mean: {data.float().mean().item():.4f} | "
            f"Dtype: {data.dtype}"
        )
        print(log_message)
    elif isinstance(data, (dict, list)):
        container = data.items() if isinstance(data, dict) else enumerate(data)
        for _, value in container:
            recursive_tensor_processor(value, op_name, phase)
			
def create_debug_wrapper(native_func, op_name):
    """创建带调试功能的通信算子包装器
    
    功能特性：
    1. 设备同步保证时序准确性
    2. 输入输出双向追踪
    3. 异常处理扩展点
    """
    def wrapped_function(tensor, *args, **kwargs):
        # 前处理
        torch.cuda.synchronize()
        recursive_tensor_processor(tensor, op_name, "Input")
        
        # 执行原生操作
        result = native_func(tensor, *args, **kwargs)
        
        # 后处理
        torch.cuda.synchronize()
        recursive_tensor_processor(tensor, op_name, "Output")
        
        return result
    
    return wrapped_function

import torch.distributed as dist
from collections import defaultdict

# 调试统计信息
operation_stats = defaultdict(int)
TRACKED_OPERATIONS = [
    'all_reduce', 'reduce_scatter', 'reduce',
    'all_gather', 'all_to_all', 'scatter',
    'gather', 'broadcast', 'send', 'recv',
    'all_to_all_single', 'batch_isend_irecv',
    'isend', 'irecv'
]

def instrument_communication_ops():
    """注入通信算子调试功能"""
    original_functions = {}
    
    for op_name in TRACKED_OPERATIONS:
        native_func = getattr(dist, op_name)
        original_functions[op_name] = native_func
        debug_wrapper = create_debug_wrapper(native_func, op_name)
        setattr(dist, op_name, debug_wrapper)
    
    return original_functions

def main():
    pretrain(
        train_valid_test_datasets_provider,
        model_provider,
        ModelType.encoder_or_decoder,
        forward_step,
        args_defaults={'tokenizer_type': 'GPT2BPETokenizer'},
    )
	
if __name__ == "__main__":
    # 注入调试功能
    original_apis = instrument_communication_ops()
    
    # 启动执行追踪
    import sys
    from trace import Trace
    
    tracer = Trace(
        count=False,
        trace=True,
        ignoredirs=[
            sys.prefix, 
            sys.exec_prefix,
            os.path.dirname(os.__file__)
        ]
    )
    tracer.run('main()')