[ShuweiShen772]

Description

修复旧 Ascend/HCCL 后端固定监听设备端口 16666，导致共享测试机上并行 PR 相互冲突的问题。

• NIC 使用 HCCL 的 Listen() + 端口 0，由实际监听操作分配可用端口，成功后读取 GetLocalPort()。
• VNIC 使用 NIC 实际分配的同一端口；两端均成功后才写回 RankInfo.devicePort。现有 segment 元数据继续发布实际端口，对端直接使用该值，协议字段保持兼容。
• VNIC 端口占用时通过 DeInit() 回滚本轮监听，再重新申请。仅监听阶段的 HCCL_E_UNAVAIL 进入端口重试，上限 32 次。
• 内存、参数、系统调用、设备运行时错误原样返回；回滚失败停止重试。
• 该改动独立于 deferred cleanup PR [Bugfix] Preserve deferred batch cleanup ownership after query errors #11。以当前 xllm main 使用的 v0.3.12_xllm_patch 为基线，便于同步后直接接入。

实现依据：开发机 CANN 8.2.RC1 的 HcclSocket 提供 GetLocalPort() / DeInit()；其 RA listen 适配层将“端口已绑定”映射为 HCCL_E_UNAVAIL，并在请求端口为 0 时回填实际端口。Close() 关闭连接，DeInit() 负责停止监听。

Suggested Merge Priority

• P2 — 修复共享 CI 测试机上的端口冲突

Module

• Transfer Engine (mooncake-transfer-engine)

Type of Change

• Bug fix

How Has This Been Tested?

新增 3 个聚焦用例，直接调用生产端口选择 helper。Socket 边界使用两组 loopback 地址和真实 POSIX bind/listen，保留实际 HCCL 状态枚举：

1. 默认端口 16666 被占用，8 组并发 NIC/VNIC 成功建立互不冲突的监听。
2. VNIC 首次冲突，NIC 正确回滚；重试成功后释放全部监听资源。
3. 冲突重试上限，以及内存/参数/系统调用/运行时错误不重试。

验证结果：

• 本仓库新增 3 项 + xllm 网络测试 8 项，共 11 项通过。
• 两组二进制并行启动 32 个进程，每个重复 20 轮，共 3520 次用例执行通过。
• 同组 ASan/UBSan，detect_leaks=1，全部通过。
• clang-format 20.1.6、限定文件的 pre-commit 检查通过。

测试覆盖范围为真实主机 socket 的监听、错误和生命周期；真实 NIC/VNIC 设备监听及匹配 CANN 的完整 legacy 后端构建由 NPU CI 验收。

Checklist

• 新增回归用例并通过
• 已执行改动自查及限定文件的格式检查
• 人工逐行评审及 NPU CI 验收

AI Assistance Disclosure

• AI tools were used: Codex 用于调用链调查、代码实现、回归验证和 PR 准备。

[ShuweiShen772]

Qoder 检查失败诊断

已核对本次 qoder-review 运行 的检查注释、步骤状态、workflow 和 Qoder action 的输入定义。

失败发生在 Qoder 认证配置步骤，原始错误：

Environment variable 'QODER_PERSONAL_ACCESS_TOKEN' is required for configure-qoder-auth.sh

仓库 workflow 的 qoder_personal_access_token 输入名正确；Qoder action 将其映射到 QODER_PERSONAL_ACCESS_TOKEN。GitHub API 返回本仓库 Actions Secrets 为 0，且对本仓库可用的组织 Actions Secrets 为 0，因此当前引用未取得凭据。

处理方法：在 本仓库 Actions Secrets 设置 添加：

• Name：QODER_PERSONAL_ACCESS_TOKEN
• Value：Qoder Personal Access Token（Qoder 的凭据）

配置完成后重跑该失败 job，即可执行代码评审。此次认证失败应按 CI 凭据配置问题处理；端口修复保持独立评审。