变更摘要

本次 PR 主要修复 HCCLWatchdog 状态保存（hcclwatchdog_save_status）功能的若干问题：将状态保存从「抛异常」改为「仅记录日志」的辅助模式，支持嵌套目录创建；通过深拷贝避免 unordered_map 扩容导致的脏读；将写入改为先写临时文件再重命名的原子化方式；并将原先模块级全局变量替换为动态获取，同时将 StatusMapmutex_ 改为 static 全局锁。

主要改动

• checkAndMakePath 重写为不抛异常的辅助函数：使用 std::filesystem::create_directories 支持嵌套目录创建，所有错误仅通过 ASCEND_LOGI/ASCEND_LOGW 和 std::cout 输出详细日志，不再抛出 std::runtime_error。

• StatusMapmutex_ 改为 static 全局锁：将 ProcessGroupHCCL 的 std::mutex StatusMapmutex_ 从实例成员改为 static 类成员，确保跨多个 ProcessGroupHCCL 实例写入时锁定同一把锁。

• recordHcclStatus 采用深拷贝避免脏读，并改为原子写入：读取时对 StatusOutput_ 做深拷贝到局部变量 statusSnapshot，防止 unordered_map 扩容导致的内存地址变化引发脏读；写入时先写入 .tmp 临时文件，成功后再 rename 为正式文件，避免写入过程中断导致 JSON 文件损坏。整个函数包裹在 try-catch 中，异常仅记录日志不再向上抛。

• 移除模块级全局变量 status_save_enable 和 status_save_path：改为在 runLoop()、WorkHCCL 构造等处动态调用 c10_npu::option::OptionsManager::CheckStatusSaveEnable() 和 GetStatusSavePath()，避免静态初始化阶段读取配置带来的时序问题。

openLiBing可接管PR, PR详情链接:
https://www.openlibing.com/apps/transitionPrDetail?owner=Ascend&repo=pytorch&number=42727&platform=gitcode&codeHostingPlatformFlag=gitcode

代码审查

审查完成 — 总结

逐文件审查结果

1. torch_npu/csrc/distributed/ProcessGroupHCCL.cpp — 发现 3 个 P3 问题：

   • checkAndMakePath 中未使用的 errormessage 参数（死代码）
   • checkAndMakePath 中 std::cout 与 ASCEND_LOG 双重输出
   • recordHcclStatus 中 std::cout 与 ASCEND_LOGW 双重输出

2. torch_npu/csrc/distributed/ProcessGroupHCCL.hpp — 无问题（仅 StatusMapmutex_ 从实例成员改为 static，与 .cpp 定义一致）。

整体风险评估

低风险。本次变更的核心修复方向正确：

• checkAndMakePath 不再抛异常，改为仅日志输出，从根本上解决了 issue #3334 中状态保存失败导致程序退出的问题。
• StatusMapmutex_ 改为 static 正确修复了原代码中多个 PG 实例共享 StatusOutput_ 时的锁粒度不一致问题。
• recordHcclStatus 增加 try-catch 兜底、先写 tmp 再 rename、深拷贝 snapshot 等改进均合理。
• 报告的 3 个 P3 问题均为次要改进项（死代码清理、冗余日志），不影响运行时正确性。

💬 仅评论

/lgtm
/approve

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.