变更摘要

该 PR（#1189）针对 ZBAL 的代码安全编码问题进行系统性修复，主要围绕空句柄/空指针校验、参数合法性校验、失败路径的资源回滚与析构清理以及整数溢出防护展开，具体覆盖 AICPU 启动空句柄未检查、共享内存创建参数校验、Python 绑定库加载异常处理与 allocator 切换时机、进程组析构错误处理、Moe 分发算子偏移量类型溢出，以及 NPU 通信器的内存释放与析构问题，目标是避免空指针使用、资源（内存/句柄/通信组）泄漏和整数截断等安全编码缺陷。

主要改动

• Moe 分发算子偏移量溢出修复: zbal_moe_distribute_combine.h 将 epDataOffsetOnWin_ 与 tpDataOffsetOnWin_ 从 uint32_t 改为 uint64_t，并在 Init 中通过 static_cast<uint64_t> 提升乘法运算（如 epRankId_ * moeExpertPerRankNum_ * expertPerSizeOnWin_ 及 axisH_ * sizeof(...)），避免偏移量计算溢出截断。
• NPU 通信器资源释放与析构修复: zbal_communicator.cpp 的 Create 在 AssignGatherGroupId 失败时调用 DestroyInner(commInner) 回滚已登记资源，CreateInner 的多个失败路径补充 comm->DecreaseRef() 释放创建者引用；zbal_npu_communicator_base.cpp 的 DestroyProfMemory 新增 AclrtFreeHost(perfHostMemory_) 释放 host 内存；zbal_npu_communicator_aicpu.h 为 NpuCommunicatorAICPU 新增析构函数重写并显式调用 UnInitialize()，避免基类析构的虚分派跳过 AICPU 资源清理。
• 进程组析构错误处理: zbal_pytorch_process_group.cpp 的 ~ProcessGroupZBAL 在 zbal_comm_destroy 失败时不再提前 return，改为记录警告日志后继续销毁其余 comm 并清空 groupP2pComms_，防止部分失败导致剩余通信资源泄漏。
• Python 绑定库加载与 allocator 切换: zbal_module.py 在目录下找不到 zbal.*.so 时抛出 ImportError 提示安装异常；switch_to_allocator 将 torch_npu.npu.memory.change_current_allocator(new_alloc) 的执行时机调整到各 allocator 回调（set_*_fn）配置完成之后。
• AICPU 启动空句柄校验与共享内存参数校验: zbal_npu_aicpu_launcher.cpp 的 Launch 在 launchHandle 为空时记录错误并返回 Z_INVALID_PARAM；zbal_mem_mf_bootstrap.cpp 的 CreateSHMSpace 将断言改为显式校验，当 totalMemSize > spaceSize 时记录错误、销毁临时共享内存句柄并返回 Z_ERROR。

openLiBing可接管PR, PR详情链接:
https://www.openlibing.com/apps/transitionPrDetail?owner=Ascend&repo=memfabric_hybrid&number=1189&platform=gitcode&codeHostingPlatformFlag=gitcode

代码审查

✅ 未发现问题