AICS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.ECS
事件监控支持的事件列表
表1仅展示NPU相关事件，计划事件相关请参见AICS支持计划事件监控的事件说明。
| 事件名称 | 事件ID | 事件级别 | 事件说明 | 处理建议 | 事件影响 |
|---|---|---|---|---|---|
| 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: 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: 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。 |
| 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。 | 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：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1825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。 |
