本文分享自华为云社区《常见IB网络不通问题记录》，作者： tsjsdbd 。
如果遇到 IB 网络不通，可以试着从高层往底层逐步分析看看。仅记录下，供难友参考：
一、NCCL 不通
报错：
machine-19: [0] transport/net_ib.cc:839 NCCL WARN NET/IB : Got completion with error 12, opcode 0, len 0, vendor err 129
复制代码
原因：错误 12，说明 RDMA 网络不通。
需要分析底层网络为什么不通。
比如：
如果是（2）这种偶现不通的话，可以参考 pfc 设置规则：《为什么华为云上AI训练必须设置NCCL_IB_TC=128》
二、ib_write_bw 不通
报错 1：
root@tsjsdbd:~# ib_write_bw
----------------------------------------------------------
RDMA_Write BW Test
Dual-port : OFF Device : mlx4_0
Number of qps : 1 Transport type : IB
Connection type : RC Using SRQ : OFF
CQ Moderation : 100
Mtu : 2048[B]
Link type : IB
Max inline data : 0[B]
rdma_cm QPs : OFF
Data ex. method : Ethernet
--------------------------------------------------------
local address: LID 0x81 QPN 0x160b3 PSN 0xa072 RKey 0x68010802 VAddr 0x007f184171a000
remote address: LID 0x35 QPN 0xc5a0b PSN 0xaa465a RKey 0x20010802 VAddr 0x007f3ca2b9c000
---------------------------------------------------------------------------------------
#bytes #iterations BW peak[MB/sec] BW average[MB/sec] MsgRate[Mpps]
ethernet_read_keys: Couldn't read remote address
Unable to read to socket/rdam_cm
Failed to exchange data between server and clients
复制代码
报错 2：
root@tsjsdbd:~# ib_write_bw -F 29.26.130.185 -d mlx5_5
----------------------------------------------------------
RDMA_Write BW Test
Dual-port : OFF Device : mlx5_5
Number of qps : 1 Transport type : IB
Connection type : RC Using SRQ : OFF
PCIe relax order: ON
ibv_wr* API : ON
TX depth : 128
CQ Moderation : 1
Mtu : 2048[B]
Link type : Ethernet
GID index : 3
Max inline data : 0[B]
rdma_cm QPs : OFF
Data ex. method : Ethernet
--------------------------------------------------------
local address: LID 0x81 QPN 0x160b3 PSN 0xa072 RKey 0x68010802 VAddr 0x007f184171a000
GID: 00:00:00:00:00:00:00:00:00:00:255:255:29:26:130:235
remote address: LID 0x35 QPN 0xc5a0b PSN 0xaa465a RKey 0x20010802 VAddr 0x007f3ca2b9c000
GID: 00:00:00:00:00:00:00:00:00:00:255:255:29:26:130:185
---------------------------------------------------------------------------------------
#bytes #iterations BW peak[MB/sec] BW average[MB/sec] MsgRate[Mpps]
Completion with error at client
Failed status 12: wr_id 0 Syndrom 0x81
scnt=128, ccnt=0
Failed to complete run_iter_bw function successfully
复制代码
说明网络不通，需要继续分析 RDMA 链路。
三、ibv_rc_pingpong 不通
报错：
ibv_rc_pingpong -d mlx5_bond_0 -g 3 29.28.195.228
local address: LID 0x0000, QPN 0x01417f, PSN 0x63d7fa, GID ::ffff:29.28.201.21
remote address: LID 0x0000, QPN 0x00132d, PSN 0x8c0a5b, GID ::ffff:29.28.195.228
Failed status transport retry counter exceeded (12) for wr_id 2
parse WC failed 1
复制代码
说明网络不通，需要分析 IP 网络为什么不通。
四、rping 不通
报错 1：
rping -c -a 29.28.195.228 -v -C 10
cma event RDMA_CM_EVENT_ADDR_ERROR, error -110
waiting for addr/route resolution state 1
复制代码
说明地址连不上，需要继续判断 IP 链路是否通。
报错 2：
rping -c -a 29.28.197.165 -C 10 -v
cma event RDMA_CM_EVENT_REJECTED, error 8
wait for CONNECTED state 4
connect error -1
复制代码
这个 Reject 表示连接被拒绝了。只是单纯的因为 rping 工作时需首先启动一个 server side 进程，然后从 client side 试图向 server side 发起连接。
所以要先启动 Server 端。
rping -s 29.28.201.211 -v
复制代码
五、ping 不通
报错：
ping 29.28.195.228
PING 29.28.195.228 (29.28.195.228) 56(84) bytes of data.
From 29.28.204.80 icmp_seq=1 Destination Host Unreachable
From 29.28.204.80 icmp_seq=2 Destination Host Unreachable
From 29.28.204.80 icmp_seq=3 Destination Host Unreachable
From 29.28.204.80 icmp_seq=4 Destination Host Unreachable
^C
--- 29.28.195.228 ping statistics ---
5 packets transmitted, 0 received, +4 errors, 100% packet loss, time 4045ms
复制代码
这个估计就快到根错误了，假设交换机连接都是 OK 的。那基本就是路由设置问题：
可以用
# ip route get 29.28.204.80 from 29.28.201.211
29.28.204.80 from 29.28.201.211 dev enp137s0f0 uid 0
复制代码
来确认发送报文的网卡是否选择正确。
如果是「同网段多 IB 网卡」的情况，如 A100 或者 A800 服务，带 8 个 IB 网卡，并都在同一个网段。则需要通过策略路由设置「源地址路由」规则来解决各个 IP 互通的问题。见：《RoCE多网卡时，报文可以过去，但是回不来》
六、ARP 表不对
如果 ping 是通的，但是 rping 又不通。 那就还要再底层看一看了（你也算天选之子了，跑这么底层定位错误）。
正常情况，学习到的 arp 表，一个 IP 地址对应一个网卡的 MAC 地址。
如下：
/home/tsj # arp -n | grep 29.28.201.211
29.28.201.211 ether 08:c0:eb:8c:10:6d C enp137s0f1
复制代码
两端同时查看，如果发现一个 IP 地址，学习到的 arp 记录有多条不一样的，说明 arp 设置不对。
需要
其中
（1）清空 arp 表有 2 种方式：
（2）设置 arp 应答规则：
sysctl -w net.ipv4.conf.all.arp_ignore=1
sysctl -w net.ipv4.conf.all.arp_announce=2
复制代码
意思是只答复对应网卡的 arp 响应。
设置完后，再 ping 一次后，确认两边学习到的 arp 表是正确的。
点击关注，第一时间了解华为云新鲜技术~
评论