大规模集群场景报建链失败错误

问题现象

大规模集群场景执行HCCL Test测试工具，报建链失败的错误，但是拆分成小规模集群分别测试正常。

原因分析

Master节点建链时处理的数据量较大，建链默认等待超时时间120s若无法满足需求，会建链失败。

Master节点允许处理的并发建链数受linux内核参数“somaxconn”与“tcp_max_syn_backlog”的限制，所以，针对大规模集群组网，若“somaxconn”与“tcp_max_syn_backlog”取值较小会导致部分客户端概率性提前异常退出，导致集群初始化失败。

解决步骤

调大建链超时等待时间。
通过环境变量HCCL_CONNECT_TIMEOUT（单位为s）进行设置，建议根据集群组网的规模适当调大。例如：
```
# 3K卡场景
export HCCL_CONNECT_TIMEOUT=240

# 5K卡场景
export HCCL_CONNECT_TIMEOUT=600
```
根据集群数量调整“somaxconn”与“tcp_max_syn_backlog”参数的值。
需要注意，所有机器的OS都需要配置，包括裸机、镜像环境，配置示例如下：
```
sysctl -w net.core.somaxconn=65535 
sysctl -w net.ipv4.tcp_max_syn_backlog=65535
```

父主题： HCCL Test常见问题总结