xpu timer性能问题

[lzfhust]

我们在我们的训练任务中尝试测试集成xpu timer，来统计矩阵乘和NCCL的指标。现在发现，在LD_PRELOAD之后，会导致训练时间加长，大概时间延迟7%左右。 训练环境： 2Node，每个Node是8张H20的卡。 训练框架：LlamaFactory nccl版本：NCCL_2.21.5 cuda版本：12.4

想咨询下：这是符合预期的吗，还是有什么特殊的配置或者设定需要注意？