BMS支持事件监控的事件说明
功能说明
事件监控提供了事件类型数据上报、查询和告警的功能。方便您将业务中的各类重要事件或对云资源的操作事件收集到云监控服务,并在事件发生时进行告警。
命名空间
SYS.BMS
事件监控支持的事件列表
事件名称 |
事件ID |
事件级别 |
事件说明 |
处理建议 |
事件影响 |
---|---|---|---|---|---|
GPU SRAM存在 Uncorrectable ECC告警 |
SRAMUncorrectableEccError |
重要 |
GPU卡SRAM出现Uncorrectable ECC Error硬件故障。 |
如果业务受损,请提交工单。 |
可能gpu硬件问题导致SRAM故障,导致业务异常退出。 |
主机重启 |
osReboot |
重要 |
裸金属实例重启。包括:
|
|
业务中断 |
异常重启 |
serverReboot |
重要 |
裸金属实例异常重启。包括:
|
|
业务中断 |
主机关机 |
osShutdown |
重要 |
裸金属实例关机。包括:
|
|
业务中断 |
异常关机 |
serverShutdown |
重要 |
裸金属实例异常关机。包括:
|
|
业务中断 |
网络中断 |
linkDown |
重要 |
裸金属服务器网络中断。包括:
|
|
业务中断 |
PCIE异常 |
pcieError |
重要 |
裸金属服务器PCIe设备硬件故障。包括:
|
|
影响网络或硬盘读写业务 |
硬盘故障 |
diskError |
重要 |
裸金属服务器磁盘故障。包括:
|
|
影响数据读写业务或主机无法启动 |
云存储连接异常 |
storageError |
重要 |
裸金属服务器云硬盘连接异常。包括:
|
|
影响数据读写业务或主机无法启动 |
GPU存在infoROM告警 |
gpuInfoROMAlarm |
重要 |
GPU卡的infoROM信息异常,ROM是GPU固件的重要存储区域,保存着启动时加载的关键数据。 |
业务可以继续使用该GPU卡,不敏感业务可以继续使用,敏感业务请提交工单处理。
|
对业务暂时没有影响,当GPU硬件出现ECC故障时,可能无法自动完成故障页隔离,导致业务受损 |
GPU发生double bit ECC告警 |
doubleBitEccError |
重要 |
GPU的ECC内存中发生双比特错误,ECC无法校正这种错误,可能导致程序崩溃。 |
|
可能会造成业务中断,故障页隔离后业务可继续正常使用GPU |
GPU隔离页过多告警 |
gpuTooManyRetiredPagesAlarm |
重要 |
GPU硬件存在过多ECC隔离页。当显存页发生不可纠正的ECC错误时,GPU会标记这些隔离页。 |
如果业务受损,请提交工单。 |
GPU硬件存在过多ECC故障,可能频繁影响业务运行
|
GPU A100 硬件发生ECC告警 |
gpuA100EccAlarm |
重要 |
GPU卡出现ECC硬件故障 |
|
可能会造成业务中断,故障也隔离后业务可继续正常使用gpu |
GPU Ant1 硬件发生ECC告警 |
gpuAnt1EccAlarm |
重要 |
GPU卡出现ECC硬件故障。 |
|
可能会造成业务中断,故障页隔离后业务可继续正常使用GPU。 |
GPU ECC内存页隔离失败告警 |
eccPageRetirementRecordingFailure |
重要 |
GPU硬件存在ECC故障,驱动自动隔离这些页时失败。 |
|
可能会造成业务中断,故障页隔离隔离失败,可能导致业务无法使用GPU。 |
GPU ECC页隔离告警 |
eccPageRetirementRecordingEvent |
一般 |
存在ecc硬件错误,发生内存页自动隔离。 |
1、如果业务受损停止,则重启业务恢复。 2、如果业务无法启动,建议尝试虚拟机重启虚拟机恢复业务。 3、如果业务仍然无法恢复,请提交工单。 |
一般随ecc故障告警出现,单独出现不影响业务。 |
GPU single bit ECC过多告警 |
highSingleBitEccErrorRate |
重要 |
GPU的ECC内存中发生单比特错误过多。 |
|
single bit的错误能够自动恢复,一般不影响GPU相关应用程序。 |
GPU驱动掉卡告警 |
gpuDriverLinkFailureAlarm |
重要 |
GPU链路正常,nvidia驱动找不到GPU硬件。 |
1、建议尝试虚拟机重启虚拟机恢复业务。 2、如果业务仍然无法恢复,请提交工单。 |
一般驱动问题导致找不到对应位置的gpu卡。 |
GPU卡链路故障告警 |
gpuPcieLinkFailureAlarm |
重要 |
GPU链路异常,通过lspci无法查看GPU硬件信息。 |
如果业务受损,请提交工单。 |
硬件问题导致gpu卡链路异常,驱动无法使用gpu。 |
虚拟机GPU丢卡告警 |
vmLostGpuAlarm |
重要 |
虚拟机实际有的gpu卡数量比规格里应分配的GPU卡数量少。 |
如果业务受损,请提交工单。 |
虚拟机gpu卡丢失。 |
GPU显存页告警 |
gpuMemoryPageFault |
重要 |
GPU显存页发生故障,故障可能由应用、驱动或硬件引起。 |
如果业务受损,请提交工单。 |
可能gpu硬件问题导致显存故障,导致业务异常退出。 |
GPU图像引擎异常告警 |
graphicsEngineException |
重要 |
GPU图像引擎发生故障,可能由应用、驱动或硬件引起。 |
如果业务受损,请提交工单。 |
可能gpu硬件问题导致图像引擎故障,导致业务异常退出。 |
GPU温度过高告警 |
highTemperatureEvent |
重要 |
GPU硬件温度过高。 |
如果业务受损,请提交工单。 |
gpu温度超过温度阈值,可能会引起GPU卡性能下降。 |
GPU NVLINK链路错误告警 |
nvlinkError |
重要 |
nvlink的链路出现硬件故障。 |
如果业务受损,请提交工单。 |
nvlink链路故障,影响业务使用GPU nvlink能力。 |
系统运维问询中 |
system_maintenance_inquiring |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务问询中 |
授权维修实例操作 |
无 |
系统运维等待执行 |
system_maintenance_scheduled |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务等待执行 |
确认执行窗口对业务的影响 |
无 |
系统运维已取消 |
system_maintenance_canceled |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务已取消 |
无 |
无 |
系统运维执行中 |
system_maintenance_executing |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务执行中 |
等待维修结束,观察业务是否受到影响 |
业务中断 |
系统运维已完成 |
system_maintenance_completed |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务已完成 |
等待运行状态恢复正常,确认业务是否恢复 |
业务恢复正常 |
系统运维失败 |
system_maintenance_failed |
重要 |
由于底层硬件、系统运维等影响,实例在计划时间维修,任务失败 |
联系运维人员处理 |
业务中断 |
GPU存在通用Xid事件告警 |
commonXidError |
重要 |
GPU卡出现Xid事件告警 |
如果业务受损,请提交工单。 |
gpu硬件、驱动、应用问题导致Xid事件,可能导致业务异常退出。 |
NPU: npu-smi info查询缺少设备 |
NPUSMICardNotFound |
重要 |
可能是由于昇腾驱动问题或NPU掉卡 |
转昇腾和硬件处理 |
NPU卡无法正常使用 |
NPU: PCIe链路异常 |
PCIeErrorFound |
重要 |
Lspci查询卡状态为rev ff |
重启,转硬件处理 |
NPU卡无法正常使用 |
NPU: lspci查询缺少设备 |
LspciCardNotFound |
重要 |
一般是由于NPU掉卡 |
转硬件处理 |
NPU卡无法正常使用 |
NPU: 温度超过阈值 |
TemperatureOverUpperLimit |
重要 |
可能是由于DDR颗粒温度过高或过温软件预警 |
暂停业务,重启系统,查看散热系统,device复位 |
可能造成过温下电及device丢失 |
NPU: 存在不可纠正ECC错误 |
UncorrectableEccErrorCount |
重要 |
NPU卡出现Uncorrectable ECC Error硬件故障 |
如果业务受到影响,转硬件换卡 |
业务可能受到影响终止 |
NPU: 需要重启实例 |
RebootVirtualMachine |
提示 |
当前故障很可能需要重启进行恢复 |
在收集必要信息后,重启以尝试恢复 |
重启可能中断客户业务 |
NPU: 需要复位SOC |
ResetSOC |
提示 |
当前故障很可能需要复位SOC进行恢复 |
在收集必要信息后,复位SOC以尝试恢复 |
复位SOC可能中断客户业务 |
NPU: 需要退出AI任务重新执行 |
RestartAIProcess |
提示 |
当前故障很可能需要客户退出当前的AI任务并尝试重新执行 |
在收集必要信息后,尝试退出当前AI任务并尝试重新执行 |
退出当前AI任务以便重新执行 |
NPU: errorcode告警 |
NPUErrorCodeWarning |
重要 |
这里涵盖了大量重要及以上的NPU错误码,您可以根据这些错误码进一步定位错误原因 |
对照《黑匣子错误码信息列表》和《健康管理故障定义》进一步定位错误 |
NPU当前存在故障,可能导致客户业务终止 |
nvidia-smi命令卡住 |
nvidiaSmiHangEvent |
重要 |
nvidia-smi命令超时,该命令可能卡住 |
如果业务受损,请提交工单。 |
可能是命令执行过程中,触发驱动问题,导致命令卡住,同时可能出现业务使用驱动报错问题。 |
NV Peer Memory加载到内核异常 |
NvPeerMemException |
次要 |
Nvlink加载异常或nv_peer_mem加载异常 |
nv_peer_mem存在异常,建议尝试恢复或重新安装Nvlink |
Nv peer mem无法正常使用 |
Nv-fabricmanager服务运行异常 |
NvFabricManagerException |
次要 |
机器符合Nvlink使用条件,且安装Nvlink服务,但服务异常 |
Nvlink存在异常,建议尝试恢复或重新安装Nvlink |
Nvlink无法正常使用 |
IB卡使用状态异常 |
InfinibandStatusException |
重要 |
网卡状态或物理状态异常 |
转硬件处理 |
IB卡无法正常工作 |
GPU时钟降频告警 |
gpuClocksThrottleReasonsAlarm |
提示 |
|
判断是否为硬件原因导致降频,如果是,转硬件同事处理。 |
GPU频率下降,算力下降。 |
GPU DRAM ECC页隔离待生效 |
gpuRetiredPagesPendingAlarm |
重要 |
|
|
GPU功能异常。 |
GPU DRAM ECC行重映射待生效 |
gpuRemappedRowsAlarm |
重要 |
GPU显存中存在某些rows出现错误,需要被重新映射,需要将问题行映射到备用资源。 |
|
GPU功能异常 |
GPU DRAM ECC行重映射剩余可用资源不足 |
gpuRowRemapperResourceAlarm |
重要 |
|
转硬件同事处理 |
GPU功能异常 |
GPU DRAM 可纠正ECC报错 |
gpuDRAMCorrectableEccError |
重要 |
|
|
GPU功能可能异常 |
GPU DRAM 不可纠正ECC报错 |
gpuDRAMUncorrectableEccError |
重要 |
|
|
GPU功能可能异常 |
GPU当前内核版本和安装驱动时的内核版本不一致 |
gpuKernelVersionInconsistencyAlarm |
重要 |
GPU当前内核版本和安装驱动时的内核版本不一致: GPU驱动在安装的时候会基于当前内核进行编译,如果内核版本不一致说明自行设计了内核,这个时候驱动会变得不可用,需要重新安装驱动。 |
|
GPU功能异常 |
GPU监控依赖不满足 |
gpuCheckEnvFailedAlarm |
重要 |
插件不能识别到gpu驱动库路径 |
|
GPU监控指标无法采集 |
GPU监控驱动库初始化失败 |
gpuDriverInitFailedAlarm |
重要 |
gpu驱动不可用 |
执行nvidia-smi确认驱动是否不可用,如果驱动不能用,请参考GPU驱动安装方法进行驱动重新安装。 |
GPU监控指标无法采集 |
GPU监控驱动库初始化超时 |
gpuDriverInitTAlarm |
重要 |
gpu驱动初始化超时 > 10s |
GPU监控指标无法采集 |
|
gpu采集指标超时 |
gpuCollectMetricTimeoutAlarm |
重要 |
gpu采集指标超时 > 10s |
|
GPU监控指标点数据缺失,可能后续指标都采集不到 |
gpu卡句柄丢失 |
gpuDeviceHandleLost |
重要 |
无法获取该gpu的指标信息,gpu卡可能掉卡。 |
该GPU卡的指标全部丢失 |
|
gpu卡xid监听失败 |
gpuDeviceXidLost |
重要 |
无法监听xid的指标信息 |
|
gpu卡无法获取xid相关指标 |
NPU HBM多ECC错误信息 |
NpuHbmMultiEccInfo |
提示 |
NPU卡存在HBM的ECC错误,此事件上报相应错误信息 |
这是一个用于辅助其他事件进行判断的事件,无需单独定位处理 |
NPU功能可能异常 |
OS出现ReadOnly问题 |
ReadOnlyFileSystem |
紧急 |
文件系统%s只读 |
请检查磁盘健康状态 |
无法对文件进行写操作 |
NPU:驱动固件不匹配 |
NpuDriverFirmwareMismatch |
重要 |
NPU驱动固件版本不匹配 |
请从昇腾官网获取匹配版本重新安装 |
无法正常使用NPU卡 |
NPU:Docker容器环境检测 |
NpuContainerEnvSystem |
重要 |
Docker不可用 |
确认docker软件是否正常 |
无法使用docker软件 |
重要 |
容器插件Ascend-Docker-Runtime未安装 |
安装容器插件Ascend-Docker-Runtime,否则影响容器使用昇腾卡 |
docker容器无法挂载NPU卡 |
||
重要 |
操作系统没有开启IP转发功能 |
请检查/etc/sysctl.conf文件中net.ipv4.ip_forward配置 |
docker容器无法正常网络通信 |
||
重要 |
容器共享内存过小 |
共享内存默认为64M,可按需修改 方式一: 修改/etc/docker/daemon.json配置文件default-shm-size字段 方式二: docker run 命令中使用 --shm-size 参数来设置单个容器的共享内存大小 |
分布式训练时共享内存不足导致训练失败 |
||
NPU:RoCE网卡down |
RoCELinkStatusDown |
重要 |
NPU 卡 %d RoCE Link 状态Down |
请检查NPU Roce网口状态 |
NPU网卡不可用 |
NPU:RoCE网卡健康状态异常 |
RoCEHealthStatusError |
重要 |
NPU 卡 %d RoCE 网络健康状态异常 |
请检查NPU Roce网卡健康状态 |
NPU网卡不可用 |
NPU:Roce网卡配置文件/etc/hccn.conf不存在 |
HccnConfNotExisted |
重要 |
Roce网卡配置文件"/etc/hccn.conf"不存在 |
请检查/etc/hccn.conf网卡配置文件 |
Roce网卡不可用 |
GPU:GPU基本组件异常 |
GpuEnvironmentSystem |
重要 |
nvidia-smi命令异常 |
请检查GPU驱动是否正常 |
GPU卡驱动不可用 |
重要 |
nvidia-fabricmanager版本和GPU驱动版本不一致 |
请检查GPU驱动版本和nvidia-fabricmanager版本 |
nvidia-fabricmanager 无法正常工作,影响 GPU 的使用 |
||
重要 |
容器插件nvidia-container-toolkit未安装 |
安装容器插件nvidia-container-toolkit |
docker无法挂载GPU卡 |
||
本地磁盘挂载巡检 |
MountDiskSystem |
重要 |
/etc/fstab中有无效的UUID |
请检查/etc/fstab配置文件中UUID的正确性,否则可能会导致机器重启失败 |
挂载磁盘错误,导致机器重启异常 |
GPU:Ant系列机器动态路由配置错误 |
GpuRouteConfigError |
重要 |
Ant系列机器网卡%s动态路由未配置或配置错误,CMD [ip route]: %s | CMD [ip route show table all]: %s。 |
请正确配置RoCE网卡路由 |
NPU网络通信异常 |
NPU:Roce 端口未散列配置 |
RoCEUdpConfigError |
重要 |
RoCE UDP端口未散列配置 |
请检查NPU RoCE UDP端口配置情况 |
影响NPU卡通信性能 |
系统内核自动升级预警 |
KernelUpgradeWarning |
重要 |
系统内核自动升级预警,旧版本:%s,新版本:%s |
系统内核升级可能导致配套AI软件异常,请检查系统更新日志,避免机器重启 |
可能导致配套AI配套软件不可用 |
NPU环境相关命令检测 |
NpuToolsWarning |
重要 |
hccn_tool不可用 |
请检查NPU驱动是否正常 |
无法配置RoCE网卡的IP、网关 |
重要 |
npu-smi不可用 |
请检查NPU驱动是否正常 |
无法正常使用NPU卡 |
||
重要 |
ascend-dmi不可用 |
请检查工具包ToolBox是否正常安装 |
无法使用ascend-dmi进行性能分析 |
||
NPU驱动异常告警 |
NpuDriverAbnormalWarning |
重要 |
NPU驱动异常 |
重装NPU驱动 |
无法正常使用NPU卡 |
GPU: RoCE网卡配置错误 |
GpuRoceNicConfigIncorrect |
重要 |
GPU的RoCE网卡配置错误 |
联系运维人员协助处理 |
机器参数面网络异常,多机任务无法执行 |
本地盘换盘问询中 |
localdisk_recovery_inquiring |
重要 |
因本地盘故障,更换本地盘问询中 |
授权本地盘换盘操作 |
本地盘不可用 |
本地盘换盘执行中 |
localdisk_recovery_executing |
重要 |
因本地盘故障,更换本地盘任务执行中 |
等待本地盘换盘结束,观察本地盘功能是否正常 |
本地盘不可用 |
本地盘换盘已完成 |
localdisk_recovery_completed |
重要 |
因本地盘故障,更换本地盘任务已完成 |
等待运行状态恢复正常,确认本地盘功能是否自动恢复 |
本地盘恢复正常 |
本地盘换盘失败 |
localdisk_recovery_failed |
重要 |
因本地盘故障,更换本地盘任务失败 |
联系运维人员处理 |
本地盘不可用 |