【PR】: feat: get notify events and device time-runtime-AtomGit

已合并

【PR】: feat: get notify events and device time #3591

vaceciliachen创建于 7月11日从vaceciliachen/runtime： c11 合入到 cann/runtime： 9.1.0

【PR】: feat: get notify events and device time #3591

已合并

vaceciliachen创建于 7月11日

从vaceciliachen/runtime c11合入到cann/runtime 9.1.0

vaceciliachen成员

7月11日

Pull Request已成功合入, 合并人@CANN-robot

（感谢 vaceciliachen 的贡献）

V vaceciliachen成员

7月11日添加了label：enhancement

V vaceciliachen成员

7月11日创建了 pull request，commit 2619fafe

atomgit-bot

7月11日评论：

变更摘要

本 PR 主要实现了 notify 事件获取和设备基准时间同步两个核心功能。在驱动层新增 halGetNotifyEvent 接口，并将其与 halGetFaultEvent 合并到统一的 GetEventsWithTimeCheck 流程中，通过 INFO_TYPE_REAL_TIME 获取设备实时时间作为基准时间（baseTime_），用于过滤历史事件。同时，将多处手动内存管理的 rtDmsFaultEvent 数组替换为 std::vector，重构了 MTE 错误处理逻辑，并统一调整了事件获取接口的签名。

主要改动

新增 halGetNotifyEvent 驱动接口与 INFO_TYPE_REAL_TIME 设备信息类型：在 ascend_hal_base.h 中新增 halGetNotifyEvent API 声明和 INFO_TYPE_REAL_TIME 枚举值；在 npu_driver_base.hpp 中声明对应的弱符号，npu_driver_res.cc 中实现 GetNotifyEvents 内部函数，将 notify 事件与 fault 事件合并到 GetEventsWithTimeCheck 统一获取，支持最多 RAS_GET_MAX_NUM=256 个事件。
引入设备基准时间机制过滤历史事件：在 device.hpp 中新增 GetBaseTime() / SetBaseTime() 虚方法，raw_device.cc 中通过 INFO_TYPE_REAL_TIME 获取设备实时时间并存入 baseTime_；在 RawDevice::Init()、ApiImpl::MemUceRepair() 和 ApiImpl::RepairError() 中调用 SetBaseTime() 同步基准时间；GetEventsWithTimeCheck 中利用该时间过滤 alarmRaisedTime 早于基准时间的历史事件。
重构 GetAllFaultEvent 接口与事件获取流程：NpuDriver::GetAllFaultEvent 签名从 (deviceId, dmsEvent, len, eventCount) 改为 (deviceId, dmsEvent, eventCount, needLog)，内部优先检查 halGetNotifyEvent 符号是否存在，存在则走 GetEventsWithTimeCheck 合并路径；GetDeviceFaultEvents 同步去掉 maxFaultNum 参数，新增 needLog 参数。
MTE 错误处理逻辑重写与 EventBlkEntry 结构体引入：在 device_error_info.hpp 中新增 EventBlkEntry 结构体；GetMteDeviceFaultEvent 函数从多 bool 输出参数改为遍历 eventId2BlkList 数组匹配事件，新增 HBM_ECC_NOTIFY_EVENT_ID 检查；SetTaskMteErrByType 去除 suppHbmRas 判断，直接用 HasMteErr()（对应 HBM ECC Notify）判断，远端错误码从 TS_ERROR_SDMA_LINK_ERROR 改为 TS_ERROR_REMOTE_MEM_ERROR。
事件缓冲区管理从手动分配改为 std::vector 并扩展容量：在 device_error_core_proc.cc、v200_base/device_error_proc_c.cc、runtime.cc、api_impl.cc 等多处，将原有的 new/delete rtDmsFaultEvent[128] 替换为 std::vector<rtDmsFaultEvent>(RAS_GET_MAX_NUM)，利用 RAII 自动管理内存，同时事件容量从 128 扩展到 256（含 fault 128 + notify 128），并在 ProcUBMemNetworkException 中新增 lastReportTime 去重逻辑。

atomgit-bot

7月11日评论：

代码审查

审查总结

我逐一审查了所有 22 个变更文件。以下是按优先级分组的发现汇总：

发现统计

P2: 2 个
P3: 1 个
P0/P1: 0 个

各文件审查结果

文件	结果
`include/driver/ascend_hal_base.h`	无问题 — 新增枚举值和函数声明正确
`src/runtime/core/inc/device/device_error_info.hpp`	无问题 — `EventBlkEntry` 结构体设计合理，引用指向全局静态 map
`src/runtime/core/inc/device/device_error_proc.hpp`	无问题 — `GetDeviceFaultEvents` 签名变更已同步所有调用方
`src/runtime/core/inc/runtime.hpp`	无问题 — 新增常量 `RAS_GET_MAX_NUM_SI`/`RAS_GET_MAX_NUM`，`ProcUBMemNetworkException` 去 const 合理
`src/runtime/core/src/api_impl/api_impl.cc`	无问题 — `GetAllFaultEvent` 调用已更新，`SetBaseTime` 调用位置正确
`src/runtime/core/src/api_impl/api_impl_david.cc`	无问题 — `SetBaseTime` 调用添加正确
`src/runtime/core/src/device/device.hpp`	无问题 — 新增纯虚函数 `GetBaseTime`/`SetBaseTime`
`src/runtime/core/src/device/device_error_core_proc.cc`	无问题 — 用 vector 替代 raw new/delete，log 级别改为 ERROR 是有意为之
`src/runtime/core/src/device/raw_device.cc`	无问题 — `SetBaseTime` 实现正确，错误处理合理
`src/runtime/core/src/device/raw_device.hpp`	无问题 — `baseTime_` 使用 `std::atomic<int64_t>`，线程安全
`src/runtime/core/src/device/v200_base/device_error_proc_c.cc`	无问题 — `GetMteDeviceFaultEvent` 重构为表驱动，逻辑更清晰
`src/runtime/core/src/runtime.cc`	P3 — `faultEventInfo` 跨设备迭代复用但未清零（防御性建议）
`src/runtime/core/src/task/task_info/model/model_execute_task.cc`	无问题 — 新增 `TS_ERROR_LOCAL_MEM_ERROR`/`TS_ERROR_REMOTE_MEM_ERROR` 到 `MEM_ERROR_CODE` 集合
`src/runtime/driver/npu_driver.cc`	无问题 — `INFO_TYPE_REAL_TIME` 特殊处理正确
`src/runtime/driver/npu_driver.hpp`	无问题 — `GetAllFaultEvent` 签名变更已同步
`src/runtime/driver/npu_driver_base.hpp`	无问题 — `halGetNotifyEvent` weak symbol 声明正确
`src/runtime/driver/npu_driver_res.cc`	P2 — 缺少 `notifyEvtCnt` 越界检查；P2 — `GetFaultEvents` 失败时 `GetNotifyEvents` 被跳过
`src/runtime/driver/npu_driver_win.cc`	无问题 — Windows stub 已更新签名
`src/runtime/feature/ccu/ccu_device_error_proc.cc`	无问题 — 格式说明符 `%u`→`%hu` 修正正确
`tests/ut/runtime/runtime/test/platform/950/rt_utest_david.cc`	无问题 — stub 函数签名已更新，测试断言变更与逻辑变更一致
`tests/ut/runtime/runtime/test/platform/950/rt_utest_david_task.cc`	无问题 — 测试间 `SetDeviceRas(false)` 复位正确
`tests/ut/runtime/runtime/test/platform/950/stub/hal_stub.cc`	无问题 — `halGetNotifyEvent` stub 实现正确

整体风险评估

中等风险。核心功能变更（获取 notify 事件 + 设备时间同步）逻辑基本正确，但 npu_driver_res.cc 中 GetEventsWithTimeCheck 存在两个防御性缺口：缺少 notifyEvtCnt 越界检查，以及 GetFaultEvents 失败时未回退尝试 GetNotifyEvents。这两个问题在正常驱动行为下不会触发，但在边界场景（驱动异常、新平台 HAL 实现差异）下可能导致事件丢失或缓冲区越界。建议在合入前修复这两个 P2 问题。