[Bug-Report|缺陷反馈]: 代码存在注释与实现不一致、空指针等问题-hixl-AtomGit

已关闭

[Bug-Report|缺陷反馈]: 代码存在注释与实现不一致、空指针等问题 #538

huchunmei_123创建于 27 天前关闭于 18 天前

huchunmei_123

27 天前创建

在您提交issue前，请确认以下信息：

我已经搜索过现有和历史issues，确认这是一个新问题
我已经阅读过常见问题定位手册，仍无法解决当前问题

问题定位请提供通信两端报错日志！

CANN日志默认路径：$HOME/ascend/log/，若配置了ASCEND_PROCESS_LOG_PATH或ASCEND_WORK_PATH环境变量，则日志会落盘到指定路径下；

更多日志操作介绍请参考《日志简介》。

问题描述

H1. 注释/日志说 `[1, 10]` 但实际校验 `[1, 100]`

文件: src/llm_datadist/link_mgr/comm_entity.cc:204-205
类别: 注释与实现不一致

constexpr int32_t kRetryCountMax = 100;  // 实际允许到 100
// 但错误消息说 "link_retry_count should be an integer between [1, 10]"

H2. 日志打印错误变量 — `ret` 而非 `aclrt_ret`

文件: src/llm_datadist/link_mgr/comm_entity.cc:286, 297
类别: 注释与实现不一致

auto aclrt_ret = aclrtStreamAbort(GetStream());
LLMLOGI("Call aclrtStreamAbort ret:%d.", ret);  // 应为 aclrt_ret

auto aclrt_ret = aclrtDestroyStream(GetStream());
LLMLOGI("Call aclrtDestroyStream ret:%d.", ret);  // 应为 aclrt_ret

H3. `entity_map_[entity_id]` 无 find 检查 — 潜在空指针

文件: src/llm_datadist/link_mgr/comm_entity_manager.cc:39-40, 64
类别: 空指针
描述: 使用 operator[] 在 key 不存在时默认构造 shared_ptr(nullptr)，随后直接 entity->GetPullMutex() 解引用。

auto entity = entity_map_[entity_id];  // nullptr if not found
std::lock_guard<std::mutex> pull_lock(entity->GetPullMutex());  // crash if nullptr

H4. `UnloadSo` 未重置所有函数指针 — 悬垂指针

文件: src/llm_datadist/adapter_hccl/llm_hccl_adapter.cc:102-117
类别: 悬垂指针
描述: dl_hccl_batch_get_func_ 和 dl_hccl_comm_prepare_func_ 未置 nullptr，SO 卸载后调用会崩溃。dl_hccl_comm_prepare_func_ 加载时也缺少 LLM_CHECK_NOTNULL 校验。

H5. `send_state.cc` 日志参数与格式串不匹配

文件: src/llm_datadist/fsm/send_state.cc:252-254
类别: 注释与实现不一致

// 格式: "pull_size(%lu) > padded_cache_stride(%lu), block_size = %lu, cache_stride = %lu"
// 参数: request.pull_size, cache_entry.stride, request.block_size, request.block_size
//                                             ^应为 padded_size        ^应为 cache_entry.stride

H6. `Reset()` 不完整 — 统计字段残留旧值

文件: src/llm_datadist/comm_statistic_manager.h:91-105, 122-129
类别: 逻辑错误
描述: SendStatisticInfo::Reset() 未重置 send_total_num、send_times、send_total_cost、send_max_cost、send_min_cost；RecvStatisticInfo::Reset() 同理。event_record_times = 0UL 还被重复写了两次。

H7. 非原子统计计数器多线程并发访问 — 数据竞争

文件: src/llm_datadist/comm_statistic_manager.cc:18-24
类别: 竞态条件
描述: LinkStatisticInfo、SendStatisticInfo、RecvStatisticInfo 使用普通 uint64_t，被多个传输线程并发修改。仅 FuncStatisticInfo 使用了 atomic。

H8. `uintptr_t` 用 `%p` 格式打印 — UB

文件: src/llm_datadist/adxl/comm_channel.cc:636-637
类别: 格式字符串
描述: desc.local_addr 和 desc.remote_addr 是 uintptr_t（数值类型），用 %p（期望 void*）打印是未定义行为。

H9. `timer_cnt` 溢出不停止 — 继续创建 ID 冲突的定时器

文件: src/llm_datadist/llm_datadist_timer.cc:62-64
类别: 整数溢出 / 逻辑错误
描述: timer_cnt == UINT32_MAX 时仅打印错误但不 return，继续用 UINT32_MAX 创建定时器，随后 ++timer_cnt 溢出为 0，下一个定时器复用正在使用的 ID。

H10. `uint64_t` 用 `%u` 打印 — 截断

文件: src/ops/hixl_kernel/hixl_batch_transfer.cc:84, 101
类别: 格式字符串
描述: op_list[i].len 是 uint64_t，用 %u 打印只显示低 32 位。>4GB 传输大小日志错误。

H11. `Finalize` 仅销毁 stream[0] — 资源泄漏

文件: src/llm_datadist/cache_mgr/cache_manager.cc:543-546
类别: 资源泄漏
描述: InitCopyStreams(device_num) 可能创建多个 stream，但 Finalize() 只调用 DestroyCopyStream(0U)。

H12. `EnsureCopyStream` 无越界检查

文件: src/llm_datadist/cache_mgr/cache_manager.cc:548-554
类别: 缓冲区溢出
描述: copy_streams_[device_index] 未检查 device_index < copy_streams_.size()。

H13. `h2d_data_transfer_job.cc` 未检查 ACL 返回值

文件: src/llm_datadist/data_transfer/h2d_data_transfer_job.cc:229
类别: 错误处理
描述: aclrtQueryEventStatus 返回值被忽略，event_status 可能未初始化。

H14. Python `switch_role` 在 `switch_options=None` 时崩溃

文件: src/python/llm_datadist/llm_datadist/v2/llm_datadist.py:373
类别: 空指针 / TypeError
描述: check_isinstance 默认 allow_none=True 放行 None，但 "llm.listenIpInfo" in switch_options 对 None 操作抛 TypeError。

H15. `hixl.h` GetNotifies 参数方向标注错误

文件: include/hixl/hixl.h:167
类别: 文档不一致
描述: @param [in] notifies 应为 @param [out] notifies（非 const 引用，填充输出）。adxl_engine.h:128 中同名函数正确使用了 [out]。

H16. `llm_datadist.h` 多个结构体 `reserved` 字段未初始化

文件: include/llm_datadist/llm_datadist.h:108, 116, 125, 138, 145, 152
类别: 未初始化内存
描述: IpInfo、ClusterInfo、CacheIndex、CacheDesc、Cache、KvCacheExtParam 的 reserved[] 无默认初始化（= {}），而 RegisterCfg::reserved[128] = {0} 正确初始化了。不一致且存在信息泄露风险。

H17. `SetRole` 缺少 `@param role` 文档

文件: include/llm_datadist/llm_datadist.h:185-189
类别: 文档缺失
描述: SetRole(LlmRole role, ...) 的 Doxygen 注释只文档了 @param options，role 参数完全未文档化。

环境信息

如上

重现步骤

如上

预期结果

如上

日志 / 截图

如上

备注

zhaozhihui成员

27 天前评论：

收到您的反馈，我们会尽快进行分析。

Z zhaozhihui成员

27 天前将 zhaozhihui 设为负责人

Z zhaozhihui成员

21 天前关联了pull request：bugfix: 修复 listen_port 负数字符串解析提示(#539)

Z zhaozhihui成员

21 天前关联了pull request：bugfix: 修复代码质量问题(#538)

zhaozhihui成员

21 天前评论：

排查结论更新：

H1/H2/H3/H4/H5/H6/H7/H8/H13/H14/H15/H17 已提交独立 PR 处理：!880。
H9/H11/H12 按生产调用链确认后暂不纳入本次修改。
H10 当前基线代码已使用 %lu 打印 uint64_t 长度，无需额外修改。
H16 涉及 include/llm_datadist/llm_datadist.h 对外头文件中的 reserved 预留字段。该字段用于 ABI 预留，不作为当前接口语义读取或回填未初始化内容，本项排查无问题，不需要修改。

zhaozhihui成员

21 天前评论：

补充 H9/H11/H12 的生产调用链排查细节：

H9 `timer_cnt` 溢出

排查 LlmDatadistTimer::CreateTimer() 的生产调用点，当前只有两处：

LLMDataDistV2::DoInnerInitialize() 创建统计 dump timer：
DoInnerInitialize -> LlmDatadistTimer::Instance().Init() -> CreateTimer(...) -> StartTimer(...)
adxl::StatisticManager::StartPeriodicDumpIfNeeded() 创建 ADXL 统计 dump timer：
StartPeriodicDumpIfNeeded -> LlmDatadistTimer::Instance().Init() -> CreateTimer(...) -> StartTimer(...)

其中 ADXL 路径通过 dump_timer_handle_ != nullptr 防重复创建；LLMDataDistV2 在 DoInnerFinalize() 中会 StopTimer/DeleteTimer 已创建的统计 timer。该计数器达到 UINT32_MAX 需要 4,294,967,295 次成功创建 timer，当前生产调用链没有按请求、按任务或循环批量创建 timer 的路径，因此不构成实际问题，暂不修改。

H11 `Finalize` 只销毁 `stream[0]`

生产初始化路径为：

LLMDataDistV2::DoInnerInitialize -> DataCacheEngine::Initialize -> CacheManager::Initialize

CacheManager::Initialize() 中固定执行 copy_streams_.resize(1U)。生产释放路径为：

LLMDataDistV2::DoInnerFinalize/Finalize -> DataCacheEngine::Finalize -> CacheManager::Finalize -> DestroyCopyStream(0U)

因此生产路径只初始化 1 个 copy stream 槽位，也只需要销毁 stream[0]。InitCopyStreams(size_t device_num) 当前在生产源码中没有调用点，属于内部预留/测试辅助入口，不影响现有生产释放链路。

H12 `EnsureCopyStream` 无越界检查

生产调用链为：

LLMDataDistV2::CopyCache -> DataCacheEngine::CopyCache -> CacheManager::CopyCache -> CopyCacheForContinuous/CopyCacheForBlocks -> EnsureCopyStream(device_index)

CopyCacheForContinuous() 和 CopyCacheForBlocks() 的 device_index 默认值均为 0U，CacheManager::CopyCache() 调用这两个函数时没有传入第五个参数，因此生产路径固定使用 device_index=0。结合 CacheManager::Initialize() 固定 copy_streams_.resize(1U)，不会出现访问越界。

结论：H9/H11/H12 按当前生产调用链确认无实际问题，本次不修改。

Z zhaozhihui成员

21 天前删除了关联的pull request：bugfix: 修复 listen_port 负数字符串解析提示(#539)

Z zhaozhihui成员

18 天前 issue状态由进行中改变为已完成

Z zhaozhihui成员

18 天前关闭了 issue

CANN-robot成员

18 天前添加了label：resolved

在您提交issue前，请确认以下信息：

问题定位请提供通信两端报错日志！

问题描述

H1. 注释/日志说 [1, 10] 但实际校验 [1, 100]

H2. 日志打印错误变量 — ret 而非 aclrt_ret

H3. entity_map_[entity_id] 无 find 检查 — 潜在空指针

H4. UnloadSo 未重置所有函数指针 — 悬垂指针

H5. send_state.cc 日志参数与格式串不匹配

H6. Reset() 不完整 — 统计字段残留旧值

H7. 非原子统计计数器多线程并发访问 — 数据竞争

H8. uintptr_t 用 %p 格式打印 — UB

H9. timer_cnt 溢出不停止 — 继续创建 ID 冲突的定时器

H10. uint64_t 用 %u 打印 — 截断

H11. Finalize 仅销毁 stream[0] — 资源泄漏

H12. EnsureCopyStream 无越界检查

H13. h2d_data_transfer_job.cc 未检查 ACL 返回值

H14. Python switch_role 在 switch_options=None 时崩溃

H15. hixl.h GetNotifies 参数方向标注错误

H16. llm_datadist.h 多个结构体 reserved 字段未初始化

H17. SetRole 缺少 @param role 文档

环境信息

重现步骤

预期结果

日志 / 截图

备注

H9 timer_cnt 溢出

H11 Finalize 只销毁 stream[0]

H12 EnsureCopyStream 无越界检查

H1. 注释/日志说 `[1, 10]` 但实际校验 `[1, 100]`

H2. 日志打印错误变量 — `ret` 而非 `aclrt_ret`

H3. `entity_map_[entity_id]` 无 find 检查 — 潜在空指针

H4. `UnloadSo` 未重置所有函数指针 — 悬垂指针

H5. `send_state.cc` 日志参数与格式串不匹配

H6. `Reset()` 不完整 — 统计字段残留旧值

H8. `uintptr_t` 用 `%p` 格式打印 — UB

H9. `timer_cnt` 溢出不停止 — 继续创建 ID 冲突的定时器

H10. `uint64_t` 用 `%u` 打印 — 截断

H11. `Finalize` 仅销毁 stream[0] — 资源泄漏

H12. `EnsureCopyStream` 无越界检查

H13. `h2d_data_transfer_job.cc` 未检查 ACL 返回值

H14. Python `switch_role` 在 `switch_options=None` 时崩溃

H15. `hixl.h` GetNotifies 参数方向标注错误

H16. `llm_datadist.h` 多个结构体 `reserved` 字段未初始化

H17. `SetRole` 缺少 `@param role` 文档

H9 `timer_cnt` 溢出

H11 `Finalize` 只销毁 `stream[0]`

H12 `EnsureCopyStream` 无越界检查