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
更新时间:2024-08-22 GMT+08:00
分享

Standard资源池节点故障定位

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。

相关文档