[Code Health] 补齐 A5 RDMA 实机传输、独立域共存验证与 CI 覆盖 #2824

Category

Missing Validation

Component

Other (A5 communication backends and hardware CI)

Description

从 #2739 独立拆出 A5 RDMA 的真实传输、独立 domain 共存及 CI 验证。PR #2790 已合并（9609da8a8b2e5c42b257d0cd76daddec7deedd2c），完成 workspace 分离、后端共同编译和 SDMA/URMA 混合通信验证；本 issue 的后续工作不阻塞 #2739 关闭。

当前证据和限制：

• 三个后端可共同编译；同一 domain 仍明确拒绝 RDMA 与 SDMA/URMA 的组合。RDMA 使用低地址内存及 rkey/VA，其他 domain 使用 VMM 窗口和对端映射。
• 同一 Worker 中分别创建 RDMA domain 与 SDMA/URMA domain 的真实传输和混合任务尚未验收。不能把共同编译或 CPU mock 测试视为硬件共存证明。
• 已有 rdma_deferred_completion_demo，覆盖 64 / 16384 元素的 RDMA 读写与异步完成。当前 A5 CI 设置 RDMA=OFF，该用例实际为 1 skipped；外层资源任务的 PASS 不代表执行了 RDMA 传输。
• Refactor: separate SDMA, URMA and RDMA workspaces #2790 曾在 A5 测试主机尝试硬件初始化，但缺少可用 RoCE bootstrap 配置，未得到真实传输通过的结果。需要配置可用的 HNS1825/RoCE 测试环境。
• 现有源码契约、完成队列和 workspace 资源管理 UT 不能替代上述硬件验证。

Location

• examples/a5/tensormap_and_ringbuffer/rdma_deferred_completion_demo/
• src/a5/platform/onboard/host/comm_hccl.cpp
• src/a5/runtime/tensormap_and_ringbuffer/runtime/backend/rdma/
• .github/workflows/_st-npu-a5.yml
• tests/ut/cpp/a5/runtime/tensormap_and_ringbuffer/test_rdma_completion_scheduler.cpp

证据：PR #2790 的 A5 CI，RDMA demo 子进程报告 1 skipped，SDMA/URMA 相关 10 个用例实际通过。

Proposed Fix

• 明确并配置支持 HNS1825/RoCE 的测试环境，记录所需拓扑、设备和 bootstrap 配置方式，不在仓库提交环境凭据。
• 在 RDMA=ON 的同一构建中运行已有 demo，两种规模均实际执行并校验读写结果、异步完成和下游依赖。
• 验证同一 Worker 的独立 RDMA 与 SDMA/URMA domains，包括明确依赖的混合任务、workspace 隔离及域释放；记录真实并发验证范围和不支持的组合。
• 在具备上述环境的 CI 中启用 RDMA 硬件验证，确保目标用例未因开关/环境缺失跳过；使用子用例结果作为验收证据。
• 更新文档和验证记录，分别注明共同编译、同域支持、跨域运行与硬件传输的覆盖范围。

同域 RDMA+SDMA/URMA 的窗口统一属于额外设计，不以取消现有拒绝检查作为本 issue 的前提。RDMA 生命周期/清理所有权由 #2823 跟踪；URMA 生命周期由 #2787 跟踪，避免重复实现。

Related: #2739, #2722, #2823, #2674. Delivered foundation: #2790.

Priority

Medium (minor risk, should fix in next few releases)