[SWE-Paddle] Add task PaddlePaddle__Paddle_33369

swe-paddle/tasks/PaddlePaddle__Paddle-33369/README.md

@@ -0,0 +1,43 @@
+# PaddlePaddle__Paddle-33369
+
+This directory converts Paddle PR #33369 into a SWE-Paddle community task candidate.
+
+## Source
+
+| Field | Value |
+| --- | --- |
+| Repo | `PaddlePaddle/Paddle` |
+| PR | [33369](https://github.com/PaddlePaddle/Paddle/pull/33369) |
+| PR title | `ELASTIC 1 : fault tolerance` |
+| Base commit | `4b9430a1f9ac2650a6a58e061f005acf8fc12fb3` |
+| Merged at | `2021-06-21T06:06:29Z` |
+| Task type | `feature_enhancement` |
+| Resource | CPU |
+
+## Summary
+
+Add an optional elastic lifecycle for fleet collective jobs so worker failures and membership changes can trigger a controlled restart or regroup.
+
+## Why This Is A Good SWE-Paddle Candidate
+
+- It models a real distributed-control failure rather than a numerical or device-specific edge case.
+- The 495-line production change coordinates launch routing, process status, membership changes, and exit propagation.
+- Deterministic CPU tests can exercise the real checkout control flow with controlled worker and launcher states.
+
+## Files
+
+- `proposal.md`: candidate proposal for maintainer triage.
+- `instruction.md`: self-contained problem statement for the coding agent.
+- `solution/code.patch`: gold patch from the merged PR.
+- `tests/test.patch`: test patch exposing the target behavior.
+- `tests/test.sh`: minimal target test command.
+- `environment/README.md`: environment notes for reproduction.
+- `README.md`: task overview and verification entrypoint.
+
+## Verification
+
+```bash
+bash tests/test.sh
+```
+
+Expected behavior: applying `tests/test.patch` to `base_commit` should fail on the target behavior; applying both `tests/test.patch` and `solution/code.patch` should pass the target tests.

swe-paddle/tasks/PaddlePaddle__Paddle-33369/environment/README.md

@@ -0,0 +1,27 @@
+# Environment Notes
+
+This candidate is part of the SWE-Paddle community task set.
+
+## Expected Environment
+
+- Repository: `PaddlePaddle/Paddle`
+- Base commit: `4b9430a1f9ac2650a6a58e061f005acf8fc12fb3`
+- Resource: CPU
+- GPU required: no
+- Build path: no source build is required; tests execute checkout Python control flow with controlled launcher state and do not contact etcd.
+
+## Run Order
+
+1. Check out `PaddlePaddle/Paddle` at the base commit.
+2. Apply `tests/test.patch`.
+3. Run `bash tests/test.sh`; the target behavior should fail before the fix.
+4. Apply `solution/code.patch`.
+5. Run `bash tests/test.sh` again; the target behavior should pass after the gold patch.
+
+## Minimal Test Command
+
+```bash
+bash tests/test.sh
+```
+
+The verifier is responsible for deriving stable F2P and P2P node IDs from repeated runs.

swe-paddle/tasks/PaddlePaddle__Paddle-33369/instruction.md

@@ -0,0 +1,19 @@
+# 为 collective 分布式训练增加可选的故障恢复流程
+
+## 详细描述
+
+collective 分布式训练运行时间较长时，任意 worker 或节点异常退出都会让当前任务直接结束，用户只能手动清理并重新启动整组训练。多节点任务还可能因为各节点启动时间不同，出现部分进程已经运行、其他节点尚未就绪的情况。
+
+需要为 fleet launcher 增加可选的 elastic 流程。启用后，各节点在训练开始前先完成组网，训练期间持续关注本地进程和其他节点的状态；worker 失败时给出明确的重启结果，节点成员发生变化时先停止当前进程组并等待重新组网。未配置 elastic 时，原有 collective 和 parameter-server 启动方式应保持不变。
+
+## 验收说明
+
+- 启用 elastic 后，collective 任务应在节点就绪后启动，并根据 worker 退出结果区分完成、重启和错误状态。
+- 训练期间节点成员发生变化时，应停止当前进程组并等待下一次组网，不能继续使用过期的集群信息。
+- 未启用 elastic 时，已有 collective 和 parameter-server launch 流程保持不变。
+
+## 技术要求
+
+- 熟悉 Python 进程生命周期和信号处理。
+- 熟悉 PaddlePaddle fleet collective launcher。
+- 了解分布式任务的节点注册、状态同步和故障恢复流程。

swe-paddle/tasks/PaddlePaddle__Paddle-33369/proposal.md

@@ -0,0 +1,55 @@
+# Task Proposal: PaddlePaddle__Paddle-33369
+
+## 1. 来源信息
+
+- Instance ID：`PaddlePaddle__Paddle-33369`
+- PR 链接：https://github.com/PaddlePaddle/Paddle/pull/33369
+- PR 标题：`ELASTIC 1 : fault tolerance`
+- `base_commit`：`4b9430a1f9ac2650a6a58e061f005acf8fc12fb3`
+- merged 时间：`2021-06-21T06:06:29Z`
+- 你的身份：熟悉该模块的 contributor
+- 后续联系人：TBD
+
+## 2. 问题一句话
+
+fleet collective launcher 需要在 worker 失败或节点成员变化时安全停止当前进程组，并向外返回可用于重启或重新组网的状态。
+
+## 3. 为什么适合作为 SWE-Paddle 样本
+
+- **真实性**：长时间分布式训练中的 worker 失败和节点变化是实际会发生的故障场景。
+- **代表性**：任务覆盖 launcher 路由、进程状态判断、节点同步和退出状态传播，是分布式控制面的典型问题。
+- **边界清楚**：production 改动集中在 fleet launch 与新增 elastic manager，不涉及模型、算子或训练数值。
+- **非平凡性**：需要协调多个生命周期状态，并保持未启用 elastic 和 parameter-server 模式的兼容行为；production diff 为 495 行。
+- **环境友好性**：来源 PR 未提供可直接复用的 Python unit test，candidate 使用 controlled launchers 执行 checkout 中真实 manager/launch 控制流，不连接 etcd、不启动进程。
+
+## 4. 任务类型和标签
+
+- 任务类型：`feature_enhancement`
+- 执行后端：`cpu`
+- 设备范围：`cpu_only`
+- 模块标签：`[distributed, fleet, launch, elastic]`
+
+## 5. 验证思路
+
+- 目标测试命令：`bash tests/test.sh`
+- 目标测试文件：`test/swe_paddle/test_pr33369_elastic_fault_tolerance.py`
+- 修复前预期：parameter-server mode 的 P2P 通过；elastic manager、失败重启、成员变化暂停和 collective 生命周期接管相关 F2P 失败。
+- 修复后预期：失败 worker 返回 restart，成员变化返回 hold 并停止 launcher，collective launch 由 elastic 生命周期管理，全部测试通过。
+- P2P 候选：显式选择 parameter-server mode 时仍返回原有模式。
+
+## 6. 环境与资源
+
+- 资源需求：CPU
+- Paddle 来源：`PaddlePaddle/Paddle` source checkout at `base_commit`
+- 是否能提供 Docker：暂无
+- patch 类型：Python-only
+- 环境建议：使用带 pytest 和 `six` 的 Python 环境；测试不要求 etcd、网络、GPU 或真实子进程。
+- 最小测试命令：`bash tests/test.sh`
+- 是否有 oracle 日志：由 SWE-Paddle verifier 结果另行维护
+
+## 7. 风险自查
+
+- 泄露风险：instruction 说明故障恢复的外部行为和兼容要求，不描述类名、字段名或 Gold patch 的文件拆分方式。
+- 环境风险：真实 elastic 依赖 etcd；测试用 controlled doubles 隔离外部服务，同时执行 checkout 中的真实状态分支。
+- flaky 风险：不使用真实多进程、网络或超时轮询，所有 worker 和 membership 状态均为确定输入。
+- 拆分风险：PR 的两个 production 文件共同实现同一条 collective fault-tolerance 生命周期，无法再拆成独立问题。