近期，Meta AI团队在生产PyTorch AI模型时遇到了一个难题。这一问题由CUDA非法内存访问引起，号称集结了Meta全公司最牛的AI工程师才搞定，这篇博客记录了他们使用CUDA的core dump来确定报错位置所使用的技巧和实践。

作者｜Zachary DeVito

翻译｜贾川、程浩源

如果GPU读取了无效内存，那么CUDA API将会开始从发生错误的地方开始，后续所有API调用都会返回cudaErrorIllegalAddress:

设备在无效内存地址上使用了加载或存储指令。这使得进程处于不一致的状态，任何后续的CUDA工作都将返回相同的错误。若要继续使用CUDA，进程必须终止并重新启动。

因为CUDA kernel是从CPU异步启动，所以在启动异常kernel的地方不会报告此错误，而是在GPU上实际发生异常并传播到CPU之后的任何CUDA API调用时报告此错误。

当然，要是使用CUDA_LAUNCH_BLOCKING=1环境变量，CUDA就会在kernel启动后运行完成才返回，但这会使得程序运行明显变慢，可能会改变报错时机，以致某些不确定性问题不再被触发。

此外，如果有多个线程使用CUDA API，cudaErrorIllegalAddress可能首先在另一个线程上报错，而不是在启动线程上报错。因此，即使在CUDA_LAUNCH_BLOCKING=1的情况下，我也不信任堆栈跟踪呈现的信息。

相反，对于“非法地址（illegal address）”这一bug，我们希望能找到更多、更准确的报错原因。类似于其他处理器，当故障发生时，GPU上的SM会记录有关故障指令的信息。

不幸的是，我意识到没有进程内的方法可以获取这类信息。我们只能在运行之前，通过将cuda-gdb或cuda-memcheck附加到进程中来访问此类信息。但这对于那些发生率很低的bug来说，在这种模式下重新运行这个进程来重现bug是不切实际的。

幸运的是，通过设置环境变量CUDA_ENABLE_COREDUMP_ON_EXCEPTION=1，我们可以使CUDA在发生异常后生成core dumps来呈现GPU的状态，然后用cuda-gdb来检查该文件。

本文讨论了如何从这些core dumps中生成提取信息，以便在没有调试信息的情况下，也能恢复诸多信息，比如参数值和出错指令等。

1

生成core dumps

在有故障的进程上设置 CUDA_ENABLE_COREDUMP_ON_EXCEPTION=1。如此一来，当故障发生时，它会生成一个core dumps文件cudacoredump.hostname.pid。

2

使用cuda-gdb打开core dumps

这应该报告一些关于故障发生地点的信息：

相关信息如下：

• 触发Warp Illegal Address的指令地址：The exception was triggered at PC 0x7ff8b63ce440

• 正在运行的kernel名称：softmax_warp_forward

• 执行停止的地址：0x00007ff8b63ce570

请注意，GPU的停止地址（...570）是在触发地址（...440）之后。因为内存是异步读取，所以GPU会继续执行指令，之后才能发现故障。在查看寄存器的值时要注意这一点，因为你从中看到的是执行停止时的状态，而错误发生时指令中所使用寄存器的值可能也已经被覆盖。

最后，除非编译生成的代码中包含调试信息，否则将看不到代码行或文件名信息。但通过后续介绍的方法，即使没有如上内容，你也能从转储中恢复大量信息。

3

反汇编kernel

使用disas查看kernel的shader assembly(SASS)列表：

要查看错误指令，请找到与之匹配的PC：

0x00007ff8b63ce440 <+1088>:  LDG.E.U8.SYS R19, [R2+0xe0]

在这种情况下，LDG是“从全局内存加载”，从地址[R2+0xe0]读取1字节（“U8”）到寄存器R19。出错的原因大概是R2+0xe0越界（out of bounds）了。

4

检查寄存器

使用info reg查看所有GPU寄存器的值：

虽然这里能看到R2的值，但其实R2在PC...440和...570之间的值已经被覆盖了，因此我们很难找到故障地址的值。

5

读取GPU内存

使用print从内存中读取值：

6

恢复传递给kernel的参数

kernel的参数在常量“参数”内存中传递。加载它们的指令包括对常量内存的引用，如c[0x0][0x174]：

0x00007ff8b63ce080 <+128>:   IMAD R0, R3.reuse, c[0x0][0x174], R6

可以使用以下方法读取此内存：

要真正获取所有kernel参数的值，我们需要了解它们在内存中的排列方式。假设kernel有参数：

常量内存中参数的布局与将它们放入struct中的布局相同：

这意味着结构体的值通常与其自身大小的下一个倍数对齐（8字节类型与8字节倍数对齐），必要时插入一些填充字节（padding bytes）。

kernel参数的开头不是0x0（低位的地址包含一些关于kernel的额外元数据），你可能需要查看程序集中对c[0x0][...]的所有引用，根据值的使用方式，查看参数缓冲区可能从何处开始。我自己运行时，参数看起来从0x160开始，这是cuda-gdb能对常量内存返回一个合理的值的条件下，对该常量内存的最小引用。

知道了布局和起始地址后，就可以用print来获取值（在print中指定正确的类型）：

SASS文档（https://docs.nvidia.com/cuda/cuda-binary-utilities/index.html）有更多关于正在运行的汇编语言的文档，但目前还不甚完善，且会随着GPU的更新换代而有所改变。

（本文经授权后编译发布。原文：

https://github.com/zdevito/zdevito.github.io/blob/main/_posts/2022-07-27-cuda-core-dumps.markdown）

其他人都在看

欢迎体验OneFlow v0.8.0：GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient. - GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.https://github.com/Oneflow-Inc/oneflow/