根据PR body，动机是'Fix race between Engine.shutdown() / fixture teardown and the next GPU allocation: after SIGKILL, children still hold GPU context until the kernel reaps them.' 即修复关闭和GPU分配间的竞争条件，确保资源及时释放。
值得精读，特别是_wait_for_reap_or_raise函数的实现，展示了如何处理异步进程回收、超时控制和竞态避免，对于涉及多进程管理或资源清理的代码有借鉴意义。
该PR未经过正式review讨论，作者直接合并；评论中仅包含测试重跑命令和机器人响应，无技术性争议或设计权衡。
python/sglang/srt/utils/common.py中新增_wait_for_reap_or_raise函数，实现带警告和超时检查的进程等待逻辑，使用psutil.wait_procs监控进程退出，超时则抛出RuntimeError。kill_process_tree函数，添加wait_timeout可选参数，默认None保持向后兼容；当wait_timeout不为None时，调用_wait_for_reap_or_raise等待被杀进程回收。python/sglang/srt/entrypoints/engine.py和http_server_engine.py的shutdown方法中，调用kill_process_tree时传递wait_timeout=60，确保引擎关闭时等待子进程释放GPU上下文。default_fixture.py）的tearDownClass方法，同样添加wait_timeout=60，保证测试清理时等待进程回收，避免测试环境竞态。| 文件 | 模块 | 状态 | 重要度 |
|---|---|---|---|
python/sglang/srt/utils/common.py |
工具函数 | modified | 7.64 |
python/sglang/srt/entrypoints/engine.py |
引擎入口 | modified | 5.63 |
python/sglang/srt/entrypoints/http_server_engine.py |
服务器入口 | modified | 4.93 |
python/sglang/srt/utils/common.py
core-logic
修改了核心的 kill_process_tree 函数，新增 _wait_for_reap_or_raise 辅助函数，是实现超时等待的核心逻辑所在。
def _wait_for_reap_or_raise(procs, wait_timeout: float) -> None:
"""Wait for `procs` to exit; warn at ~10s, raise on `wait_timeout`.
SIGKILL is asynchronous -- children hold GPU context, pinned memory and
fds until the kernel reaps them. Raise on timeout so a stuck process
surfaces instead of leaving a latent race.
"""
warn_at = min(10.0, wait_timeout / 2) # 设置警告时间点，避免长时间无反馈
gone, alive = psutil.wait_procs(procs, timeout=warn_at) # 首次等待，检查进程是否退出
if not alive:
return # 所有进程已退出，直接返回
logger.warning(
"kill_process_tree: %d process(es) still alive after %.1fs SIGKILL; "
"continuing to wait up to %.1fs total. pids=%s",
len(alive),
warn_at,
wait_timeout,
[p.pid for p in alive],
) # 记录警告日志，提示进程未及时回收
remaining = wait_timeout - warn_at
if remaining > 0:
_, alive = psutil.wait_procs(alive, timeout=remaining) # 继续等待剩余时间
if alive:
raise RuntimeError( # 超时后抛出异常，避免静默失败
f"kill_process_tree: {len(alive)} process(es) not reaped within "
f"{wait_timeout}s after SIGKILL; pids={[p.pid for p in alive]}"
)
def kill_process_tree(
parent_pid,
include_parent: bool = True,
skip_pid: int = None,
wait_timeout: Optional[float] = None,
):
"""Kill the process and all its child processes.
`wait_timeout` (seconds) blocks until every killed process is reaped and
raises `RuntimeError` on timeout; `None` is fire-and-forget. The
`parent_pid == os.getpid()` branch calls `sys.exit(0)` and cannot wait
for itself -- use `include_parent=False` if child reap must finish first.
"""
if parent_pid is None:
parent_pid = os.getpid()
include_parent = False # 默认不杀死父进程以避免自等待
try:
itself = psutil.Process(parent_pid)
except psutil.NoSuchProcess:
return # 进程不存在则直接返回
children = itself.children(recursive=True)
killed = [] # 记录已杀死的进程，用于后续等待
for child in children:
if child.pid == skip_pid:
continue
try:
child.kill()
killed.append(child) # 杀死子进程并记录
except psutil.NoSuchProcess:
pass
if include_parent:
try:
if parent_pid == os.getpid():
itself.kill()
sys.exit(0) # 特殊分支：杀死自身进程并退出，无法等待
itself.kill()
itself.send_signal(signal.SIGQUIT) # 发送额外信号确保杀死顽固进程
killed.append(itself) # 记录父进程
except psutil.NoSuchProcess:
pass
if wait_timeout is not None and killed:
_wait_for_reap_or_raise(killed, wait_timeout) # 如果有超时设置，调用等待函数
当前评论区没有形成足够清晰的争议点或结论，后续有更多讨论时会体现在这里。
技术风险包括：
1) 超时设置风险：若wait_timeout过短（如低于进程回收时间），可能无法完全避免竞争条件；过长则增加关闭延迟，影响测试执行效率。
2) 异常路径风险：新函数_wait_for_reap_or_raise可能引入未处理的异常（如psutil库错误），需确保错误处理健壮。
3) 兼容性风险：默认wait_timeout=None保持向后兼容，但调用方显式设置超时后，若依赖旧行为（如火警式退出）可能被破坏。
对用户：提高系统关闭后GPU资源可立即重用的可靠性，减少因资源泄漏导致的测试失败或生产环境问题。对系统：关闭过程可能增加最多60秒延迟，但避免了潜在竞态和资源泄漏，提升稳定性。对团队：增强基础设施的健壮性，尤其在高频测试场景中减少调试开销。
当前没有检测到明确关联的 Issue 链接，后续同步到相关引用后会出现在这里。
参与讨论