GPU A系列裸金属服务器RoCE带宽不足问题解决方法

问题现象

GP Ant8支持RoCE网卡， Ubuntu20.04场景，在进行nccl-tests时，总线带宽理论峰值可达90GB/s，但实际测试下来的结果只有35GB/s。

原因分析

“nv_peer_mem”是一个Linux内核模块，它允许支持P2P(Peer-to-Peer)的NVIDIA GPU直接进行内存访问(DMA)。这意味着数据可以直接在多个GPU之间传输，而无需经过CPU或系统内存，这可以显著降低延迟并提高带宽。

所以既然nccl-tests能正常测试， 但是达不到预期，可能是nv_peer_mem异常。

处理方法

• 查看nv_peer_mem是否已安装。

  dpkg -i | grep peer

  若未安装则需要安装，安装方法参考装机指导。 若已安装则进入下一检测项。

• 查看该软件是否已经加载至内核。

  lsmod | grep peer

  若没有则需要重新加载至内核，执行如下命令进行加载：

  /etc/init.d/nv_peer_mem start

  如果执行失败，可能是未加载nv_peer_mem.conf至/etc/infiniband/中或nv_peer_mem不在/etc/init.d/中。

  若找不到相关文件的问题，可以搜索相关文件在哪里，然后复制到指定目录，例如可执行如下命令：

  cp /tmp/nvidia-peer-memory-1.3/nv_peer_mem.conf  /etc/infiniband/
  cp /tmp/nvidia-peer-memory-1.3/debian/tmp/etc/init.d/nv_peer_mem   /etc/init.d/