计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
本文导读

展开导读

文档首页/ AI开发平台ModelArts/ 故障排除/ 资源池/ Standard资源池节点故障定位

Standard资源池节点故障定位

更新时间:2024-10-30 GMT+08:00

节点故障定位

对于Standard资源池,ModelArts平台在识别到节点故障后,通过给K8S节点增加污点的方式(taint)将节点隔离避免新作业调度到该节点而受到影响,并且使本次作业不受污点影响。当前可识别的故障类型如下,可通过隔离码及对应检测方法定位故障。

表1 隔离码

隔离码

分类

子类

异常中文描述

检测方法

A050101

GPU

显存

GPU ECC错误。

通过nvidia-smi -a查询到存在Pending Page Blacklist为Yes的记录,或多比特Register File大于0。对于Ampere架构的GPU,存在以下场景:

  • 存在不可纠正的SRAM错误。
  • 存在Remapping Failure记录。
  • dmsg中存在Xid 95事件。

(参考NVIDIA GPU Memory Error Management

Ampere架构GPU显存错误分级:

  • L1: 可纠正ECC错误(单比特ECC错误),不影响业务。观测方式:nvidia-smi -a中查询到Volatile Correctable记录。
  • L2: 不可纠正ECC错误(多比特ECC错误),当次业务受损,重启进程可恢复。观测方式:nvidia-smi -a中查询到Volatile Uncorrectable记录。
  • L3: 错误未被抑制,可能影响后续业务,需要重置卡或重启节点。观测方式:Xid事件中包含95事件。(Remapped的Pending记录只作为提示,当业务空闲时进行卡重置触发重映射即可)
  • L4: 需要换卡,SRAM Uncorrectable>4或者Remapped Failed。

A050102

GPU

其他

nvidia-smi返回信息中包含ERR。

通过nvidia-smi -a查询到ERR!,通常为硬件问题,如电源风扇等问题。

A050103

GPU

其他

nvidia-smi执行错误,超时或者不存在。

执行nvidia-smi退出码非0。

A050104

GPU

显存

ECC错误到达64次。

通过nvidia-smi -a查询到Retired Pages中,Single Bit和Double Bit之和大于64。

A050148

GPU

其他

infoROM告警。

执行nvidia-smi的返回信息中包含“infoROM is corrupted”告警。

A050109

GPU

其他

GPU其他错误。

检测到的其他GPU错误,通常为硬件问题,请联系技术人员支持。

A050147

IB

链路

IB网卡异常。

ibstat查看网卡非Active状态。

A050121

NPU

其他

npu dcmi接口检测到driver异常。

NPU驱动环境异常。

A050122

NPU

其他

npu dcmi device异常。

NPU设备异常,昇腾dcmi接口中返回设备存在重要或紧急告警。

A050123

NPU

链路

npu dcmi net异常。

NPU网络链接异常。

A050129

NPU

其他

NPU其他错误。

检测到的其他NPU错误,通常为不可自纠正的异常,请联系技术人员支持。

A050149

NPU

链路

hccn tool网口闪断检查。

NPU网络不稳定,存在闪断情况。通过“hccn_tool-i ${device_id} -link_stat -g”查看24小时内闪断5次以上。

A050951

NPU

显存

NPU ECC次数达到维修阈值。

NPU的HBM Double Bit Isolated Pages Count值大于等于64。

A050146

Runtime

其他

ntp异常。

ntpd或者chronyd服务异常。

A050202

Runtime

其他

节点NotReady。

节点不可达,k8sNode存在以下污点之一:

  • node.kubernetes.io/unreachable
  • node.kubernetes.io/not-ready

A050203

Runtime

掉卡

AI正常卡数和实际容量不匹配。

检测到存在GPU或NPU掉卡情况。

A050206

Runtime

其他

Kubelet硬盘只读。

“/mnt/paas/kubernetes/kubelet”目录为只读状态。

A050801

节点管理

节点运维

资源预留。

节点被标记为备机,并具有备机污点。

A050802

节点管理

节点运维

未知错误。

节点被标记为具有未知故障污点。

A200001

节点管理

驱动升级

GPU升级。

节点正在执行GPU驱动升级。

A200002

节点管理

驱动升级

NPU升级。

节点正在执行NPU驱动升级。

A200008

节点管理

节点准入

准入检测。

节点正在进行节点准入检测,包括基本的节点配置检查和简单的业务验证。

A050933

节点管理

容错Failover

当节点具有该污点时,会将节点上容错(Failover)业务迁移走。

当节点标记该污点时,会将节点上容错(Failover)业务迁移走。

A050931

训练toolkit

预检容器

训练预检容器检测到GPU错误。

训练预检容器检测到GPU错误。

A050932

训练toolkit

预检容器

训练预检容器检测IB错误。

训练预检容器检测IB错误。

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容