执行摘要

• 一句话：修复disaggregation receiver ZMQ socket未清理
• 推荐动作：值得精读，体现了分布式系统中socket生命周期管理的设计权衡：通过ZeroMQ选项实现故障快速发现与资源回收。但必须理解RECONNECT_IVL=-1配合SNDTIMEO的必要性，否则可能导致整个调度循环卡死。建议与后续修复#31025一并阅读。

功能与动机

关联Issue #28596 描述了prefill节点重启时因ZMQ socket未清理导致端口与NCCL冲突。解码端心跳失败处理虽清理了元数据，但未关闭或移除缓存的ZMQ PUSH socket（CommonKVReceiver._socket_cache），造成端口泄露。

实现拆解

1. 修改CommonKVReceiver._connect()方法：在新建ZMQ PUSH socket后增加两个socket.setsockopt调用——zmq.RECONNECT_IVL=-1（禁用ZeroMQ自动重连，避免死节点被无限重试）和zmq.LINGER=0（关闭时立即返回，不等待未发送消息）。
2. 范围精简：应维护者要求移除了原方案中的SNDTIMEO、TCP_KEEPALIVE等额外选项，仅保留上述两个核心配置。
3. 保持现有锁机制：disconnect_endpoint方法继续使用每端点锁保护sock.close()，未采纳移除锁的建议。
4. 移除单元测试：维护者认为无需独立测试，测试文件被回滚。

关键文件：

• python/sglang/srt/disaggregation/common/conn.py（模块 网络层；类别 source；类型 core-logic；符号 _connect）: 核心变更文件，在_connect方法中新增两行socket选项配置，直接影响disaggregation场景下ZMP socket的故障清理行为。

关键符号：CommonKVReceiver._connect

关键源码片段

python/sglang/srt/disaggregation/common/conn.py

核心变更文件，在_connect方法中新增两行socket选项配置，直接影响disaggregation场景下ZMP socket的故障清理行为。

@classmethod
def _connect(cls, endpoint: str, is_ipv6: bool = False):
    with cls._global_lock:
        if endpoint not in cls._socket_cache:
            sock = cls._ctx.socket(zmq.PUSH)
            if is_ipv6:
                sock.setsockopt(zmq.IPV6, 1)
            # 禁用 ZeroMQ 自动重连，避免死节点占用缓存 socket
            sock.setsockopt(zmq.RECONNECT_IVL, -1)
            # 设置 LINGER=0，确保 close() 立即返回，不等待未发送消息
            sock.setsockopt(zmq.LINGER, 0)
            sock.connect(endpoint)
            cls._socket_cache[endpoint] = sock
            cls._socket_locks[endpoint] = threading.Lock()
        return cls._socket_cache[endpoint], cls._socket_locks[endpoint]

评论区精华

• 锁与线程安全（design）：gemini-code-assist建议在disconnect_endpoint中不加锁直接关闭socket，但作者基于PyZMQ文档指出Socket.close()非线程安全，坚持保留每端点锁以避免与send_multipart并发时的竞争。达成共识，维持原锁。
• 变更范围精简（design）：维护者ShangmingCai要求只保留RECONNECT_IVL和LINGER，移除SNDTIMEO及TCP keepalive选项。作者接受并精简。

• 单元测试必要性（testing）：ShangmingCai认为无需新增测试，作者删除测试文件。

  • disconnect_endpoint中关闭socket的锁使用 (design): 维持现有锁保护，不采纳无锁建议。
  • 移除多余的socket选项只保留核心两个 (design): 作者更新代码，仅保留两行配置。
  • 添加单元测试是否有必要 (testing): 测试被移除，不引入。

风险与影响

• 风险：主要风险来自RECONNECT_IVL=-1：当对端PULL socket死亡后，PUSH socket进入mute状态，后续send_multipart若无SNDTIMEO会无限阻塞（此PR未设置SNDTIMEO）。该问题在后续PR #31025中修复。此外，LINGER=0可能导致未发送消息丢弃，但影响有限。锁保护虽避免竞争，但若send_multipart长时间阻塞，心跳检测线程也可能因等待锁而延迟。
• 影响：影响范围：仅限disaggregation部署模式下decode侧的receiver socket创建逻辑。对正常请求路径无影响（复用缓存socket），仅在故障恢复时改变socket清理行为。需注意用户如果自定义ZMQ选项可能被覆盖。
• 风险标记：RECONNECT_IVL=-1 缺 SNDTIMEO 保护, 线程竞争风险（锁机制）

关联脉络

• 暂无明显关联 PR