
# 裸金属服务器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
表1裸金属服务器支持监控的事件 
| 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： - 在管理控制台进行重启操作  - 通过API接口下发重启指令                                                                                                                                                                                                 | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                   | 业务中断                                                                                                                                                                                                                                                                                    |
| 异常重启                                                      | serverReboot                                                           | 重要   | 裸金属实例异常重启。包括： - 操作系统异常导致重启  - 主机硬件故障导致重启                                                                                                                                                                                                | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                       | 业务中断                                                                                                                                                                                                                                                                                    |
| 主机关机                                                      | osShutdown                                                             | 重要   | 裸金属实例关机。包括： - 在管理控制台进行关机操作  - 通过API接口下发关机指令                                                                                                                                                                                                   | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                     | 业务中断                                                                                                                                                                                                                                                                                    |
| 异常关机                                                      | serverShutdown                                                         | 重要   | 裸金属实例异常关机。包括： - 主机异常下电  - 主机硬件故障导致关机                                                                                                                                                                                                          | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                     | 业务中断                                                                                                                                                                                                                                                                                    |
| 网络中断                                                      | linkDown                                                               | 重要   | 裸金属服务器网络中断。包括： - 主机异常关机、重启  - 交换机故障引起的网络中断  - 网关节点故障引起的中断                                                                                                                    | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                        | 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： - 主板故障  - PCIe设备故障                                                                                                                                                                                                   | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                  | 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： - 硬盘背板故障  - 硬盘本身故障                                                                                                                                                                                                           | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                         | 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： - SDI卡故障  - 远端存储故障                                                                                                                                                                                                   | - 业务应用做成高可用。  - 主机恢复后，确认业务是否自动恢复。                                                                                                                                                                                                                                                                                                                                                                        | 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。 1. 重启虚拟机，确保问题不是暂时的缓存或者通信错误。  2. 重启后还是持续出现，则可能是硬件问题，请提工单转硬件检测是否需要换卡。                                                                                                                                                                                                                                                                       | 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。                                                                                                                                                                                                                                                                                                                                                                                            | 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。                                                                                                                                                                                                                                                                | 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 1. 被隔离页过多，显存容量下降太多可能会导致性能下降。  2. 被隔离页过多，显存容量下降太多可能会导致系统运行不稳定。   |
| GPU A100 硬件发生ECC告警                                        | gpuA100EccAlarm                                                        | 重要   | GPU卡出现ECC硬件故障                                                                                                                                                                                                                                                                                                                                                                                                                      | 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。                                                                                                                                                                                                                                                             | 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。                                                                                                                                                                                                                                                                                                                                                                                                                     | 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。                                                                                                                                                                                                                                                                   | 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。                                                                                                                                                                                                                                                                                                                                                                                                         | 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。                                                                                                                                                                                                                                                                  | 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。                                                                                                                                                                                                                                                                                                                                                                                                               | 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。                                                                                                                                                                                                                                                                 | 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   | 1. 可能gpu功率超过最大可操作功率阈值（持续满载），时钟频率自动降低避免损坏gpu卡。  2. 可能gpu温度超过最大可操作温度阈值（持续满载），时钟频率自动下降减少发热。  3. 可能gpu一直处于空闲状态，时钟频率自动降低减少功耗。  4. 可能出现硬件故障导致的时钟频率减低。   | 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   | 1. 硬件出现ECC问题，需要隔离。  2. 显存页发生了不可纠正的ECC错误需要进行隔离，但是当前状态处于挂起状态还没有进行隔离。                                                                                                                                                                                                   | 1. 查看事件详细，确认retired_pages.pending的状态是否为yes。  2. 重启GPU进行自动隔离。                                                                                                                                                                                                                                                                                                                                                 | 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。                                                                                                                                                                                                                                                                                                                                                                                          | 1. 查看事件详细指标RemappedRow，确认是否存在重映射的行数。  2. 重启GPU进行自动隔离。                                                                                                                                                                                                                                                                                                                                                | GPU功能异常                                                                                                                                                                                                                                                                                 |
| GPU DRAM ECC行重映射剩余可用资源不足                                  | gpuRowRemapperResourceAlarm                                            | 重要   | 1. 存在于（安培及之后架构）的gpu上。  2. GPU 的备用显存行资源耗尽，无法继续进行行重映射。                                                                                                                                                                                                                 | 转硬件同事处理                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                          | GPU功能异常                                                                                                                                                                                                                                                                                 |
| GPU DRAM 可纠正ECC报错                                         | gpuDRAMCorrectableEccError                                             | 重要   | 1. 存在于（安培及之后架构）的gpu上。  2. GPU的DRAM中发生了可纠正的ECC错误，但是ECC机制可以自动修复这个问题，不影响程序的正常运行。                                                                                                                                                                                             | 1. 查看事件详细指标ecc.errors.corrected.volatile，确认是否存在可纠正的ECC错误值。  2. 重启GPU进行自动隔离。                                                                                                                                                                                                                                                                                                                             | GPU功能可能异常                                                                                                                                                                                                                                                                               |
| GPU DRAM 不可纠正ECC报错                                        | gpuDRAMUncorrectableEccError                                           | 重要   | 1. 存在于（安培及之后架构）的gpu上。  2. GPU的DRAM中发生了不可纠正的ECC错误，无法通过ECC机制自行修复这个问题，验证影响系统稳定性，可能导致程序崩溃。                                                                                                                                                                                | 1. 查看事件详细指标ecc.errors.uncorrected.volatile，确认是否存在不可纠正的ECC错误值。  2. 重启GPU进行自动隔离。                                                                                                                                                                                                                                                                                                                | 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。                                                                                                                                                                                                                                                                                                            | 1. 先尝试修复方案： rmmod nvidia_drm rmmod nvidia_modeset rmmod nvidia 上述执行完成后再次执行nvidia-smi命令，如果回显正常，则修复完成。     2. 如果上述修复方案失效，请参考[GPU驱动不可用](https://support.huaweicloud.com/trouble-ecs/ecs_trouble_1202.html)中的处理方法进行故障恢复。   | 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                                                                                                                                                                                                                                                                                                                                                                                                                    | 1. 检查是否未安装驱动  2. 检查是否自定义了驱动安装目录，需要安装到默认安装路径/usr/bin/目录下。                                                                                                                                                                                                                                                                                                                                                     | 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](https://support.huaweicloud.com/usermanual-ecs/ecs_03_0199.html)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                                                                                                                                                                                                                                                                                                                                                                                                                  | 1. 如果没有安装驱动，请参考[GPU驱动安装方法](https://support.huaweicloud.com/usermanual-ecs/ecs_03_0199.html)进行驱动安装。  2. 如果安装了驱动，请执行nvidia-smi确认驱动安装正常可用，如果不能用，请参考[GPU驱动安装方法](https://support.huaweicloud.com/usermanual-ecs/ecs_03_0199.html)进行驱动重新安装。  3. 如果驱动都安装正常，检查是否高性能模式未打开，P0是高性能模式，使用nvidia-smi -pm 1                                                          | 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                                                                                                                                                                                                                                                                                                                                                                                                                   | 1. 如果返回的是库接口超时，请执行nvidia-smi确认驱动安装正常可用，如果不能用，请参考[GPU驱动安装方法](https://support.huaweicloud.com/usermanual-ecs/ecs_03_0199.html)进行驱动重新安装。  2. 如果返回的是命令工具执行超时，请检查系统日志查看是否系统存在问题。                                                                                                                                                                                                                                   | 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。                                                                                                                                                                                                                                                                                                                                                                                                            | 1. 执行nvidia-smi查看是否存在报错。  2. 执行nvidia-smi -L查看GPU卡数量是否和服务器规格一致。  3. 提工单联系oncall解决。                                                                                                                                                                                                                  | 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                                                                                                                                                                                                                                                                                                                                                                                                                       | 1. 确认GPU卡是否存在掉卡或者损坏。  2. 提工单联系oncall解决。                                                                                                                                                                                                                                                                                                                                                                          | 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                                                                                                                                                                                                                                                                            |
| NPU：Docker容器环境检测                                          | NpuContainerEnvSystem    | 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                                                                                                                                                                                                                                                                        |
| NPU：Docker容器环境检测                                          | NpuContainerEnvSystem    | 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                                                                                                                                                                                                                                                                        |
| NPU：Docker容器环境检测                                          | NpuContainerEnvSystem    | 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                                                                                                                                                                                                                                                                               |
| GPU：GPU基本组件异常   | GpuEnvironmentSystem          | 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                                                                                                                                                                                                                                                  |
| GPU：GPU基本组件异常   | GpuEnvironmentSystem          | 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                                                                                                                                                                                                                                                                        |
| NPU环境相关命令检测   | NpuToolsWarning             | 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                                                                                                                                                                                                                                                                              |
| NPU环境相关命令检测   | NpuToolsWarning             | 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                                                                                                                                                                                                                                                                                  |
| 网卡端口链接断开                                                  | nicLinkDown                                                            | 重要   | 服务器网卡端口异常。包括： - 主机网口/交换机端口光模块或网线故障  - 交换机故障                                                                                                                                                                                             | 单口故障，网卡如果是bond模式会自动倒换。 如果业务受损，请提交工单。                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                | bond口冗余失效或业务中断。                                                                                                                                                                                                                                                                         |
   
