在进行模型分布式训练时遇到报错“RuntimeError：connect() timed out.”

报错信息

• 报错截图

  

• 报错文本

  Traceback (most recent call last):
  ……
  Exception:
  
  -- Process 1 terminated with the following error:
  Traceback (most recent call last):
  ……
  RuntimeError: connect() timed out.

问题分析

模型进行分布式训练时，系统防火墙可能会阻截HCCL的集合通信端口的通信。需要根据报错信息，排查通信端口的开放情况，并进行相应设置。

处理方法

查询出被系统防火墙阻截的集合通信端口，并开放相应端口。