GPU A系列裸金属服务器RoCE带宽不足问题解决方法

问题现象：

NVIDIA Ant8支持RoCE网卡， Ubuntu20.04场景，在进行nccl-tests时，总线带宽理论峰值可达90GB/s； 但实际测试下来的结果只有35GB/s.

问题定位：

先介绍nv_peer_memory，nv_peer_mem是一个Linux 内核模块，它允许支持P2P(Peer-to-Peer)的NVIDIA GPU直接进行内存访问(DMA)。这意味着数据可以直接在多个GPU之间传输，而无需经过CPU或系统内存，这可以显著降低延迟并提高带宽。

所以既然nccl-tests能正常测试， 但是达不到预期： 可能是nv_peer_mem异常：

(1) dpkg -i | grep peer，查看该软件是否安装， 若未安装则需要安装，安装方法参考博客装机指导https://bbs.huaweicloud.cn/blogs/398214， 若已安装则进入下一检测项；

(2) lsmod | grep peer， 查看该软件是否已经加载至内核，若没有则需要重新加载至内核，加载方法

/etc/init.d/nv_peer_mem start  ， 如果执行失败，可能是未加载nv_peer_mem.conf至/etc/infiniband/中

也遇到找不到相关文件的问题，可以搜一下相关文件在哪里，然后复制到指定目录；如下

cp /tmp/nvidia-peer-memory-1.3/nv_peer_mem.conf  /etc/infiniband/

cp /tmp/nvidia-peer-memory-1.3/debian/tmp/etc/init.d/nv_peer_mem   /etc/init.d/