已合并
[fix]multi_stream_lazy_reclaim coredump error #42424
xuyun15创建于 7月22日
[fix]multi_stream_lazy_reclaim coredump error #42424
已合并
Pull Request已成功合入, 合并人@ascend-robot
（感谢 xuyun15 的贡献）
ascend-robot
7月22日 评论：
7月22日 评论：
atomgit-bot
7月22日 评论：
7月22日 评论：
变更摘要
此 PR 修复了 multi_stream_lazy_reclaim 特性在大量事件积压（sum > kLazyQuerySize）时触发 coredump 的问题。根因在于原代码在 get_free_block() 之后才调用 process_events()：此时已选中的 block 被移出池但尚未标记为已分配（仍显示为 free 状态），若 process_events() 释放相邻 block 后触发 try_merge_blocks() 合并，会将待分配 block 错误删除，导致分配器损坏。修复方案是将 sum > kLazyQuerySize 触发的 process_events() 移到 get_free_block() 之前，同时引入 reaped 变量避免同一轮 malloc() 中重复调用 process_events()。
主要改动
NPUCachingAllocator.cpp：将惰性回收的process_events()移至 block 选择之前：在get_free_block()调用前新增一段逻辑，当lazy_reclaim启用且事件队列大小超过kLazyQuerySize时先执行process_events()并设置reaped = true，消除"未最终分配的 block 被合并删除"的竞态条件NPUCachingAllocator.cpp：引入reaped变量防止重复调用process_events()：在 block 未找到的分支中增加!reaped条件判断，确保process_events()在同一轮malloc()中最多执行一次，与原有调用次数保持一致test_allocator_envs.py：新增回归测试用例test_multi_stream_lazy_reclaim_trigger_event：通过子进程创建超过kLazyQuerySize阈值（512）的带record_stream的 tensor，随后释放并分配新 tensor 以触发事件回收路径，验证子进程正常退出无崩溃
atomgit-bot
7月22日 评论：
7月22日 评论：
代码审查
审查总结
本次审查覆盖了全部 2 个变更文件：
| 文件 | 审查结论 |
|---|---|
torch_npu/csrc/core/npu/NPUCachingAllocator.cpp |
无问题 — 将 process_events() 移到 get_free_block() 之前的修复逻辑正确，reaped 守卫变量设计合理，所有场景下的行为与原代码一致且避免了 use-after-free。 |
test/npu/test_allocator_envs.py |
2 个问题 — 见下方 |
问题按优先级统计：
- P2：1 个（
subprocess.run缺少timeout参数） - P3：1 个（断言错误消息中
\\n应为\n）
整体风险评估：低风险。 C++ 核心修复逻辑正确，从根本上解决了 block_found=true 时 process_events() 可能合并删除已取出 Block 的 use-after-free 问题。测试文件存在两个小瑕疵，但不影响代码正确性。
| 类型 | 数量 |
|---|---|
| 🔴 阻塞 | 0 |
| 🟡 建议 | 1 |
💬 仅评论
此处折叠了42条消息 查看更多
7月23日 添加了label：lgtm
7月23日 合入了pull request
ascend-robot
7月23日 评论：
7月23日 评论：
Pull Request 已合并或已关闭。
If you want to solve this problem, you can click here to do it in the FAQs.
ascend-robot
7月23日 评论：
7月23日 评论：
流水线 pytorch_gitcode_PR_multiVersion#12968 [ commitID：72621fcd ] 已完成
【合入来源】
【修改方案】
选取issue中方案2作为解决方案
方案2：将 sum > kLazyQuerySize 的 process_events 移到 get_free_block 之前（推荐）
将
sum > kLazyQuerySize触发的process_events()移到get_free_block之前，保持与原生 PyTorch 相同的安全时序。同时引入reaped变量避免process_events()的冗余二次调用。2.1 process_events() 二次调用问题分析
方案2将
process_events()的调用拆分为两段：sum > kLazyQuerySize时在get_free_block之前调用!block_found时在get_free_block之后调用当
sum > kLazyQuerySize且get_free_block()仍然失败时，两段都会触发process_events()，导致同一轮malloc()中process_events()被调用两次。【资料变更】
不涉及：当前pr不涉及，但是后续会持续跟踪搜集用户诉求，逐步补齐对应的资料和用例
【接口变更】
不涉及
【功能验证】
修复前：
修复后：
【CheckList】