网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts盘古助手
华为云Astro大屏应用
计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
云手机服务器 CPH
专属主机 DeH
弹性伸缩 AS
镜像服务 IMS
函数工作流 FunctionGraph
云耀云服务器(旧版)
VR云渲游平台 CVR
Huawei Cloud EulerOS
云化数据中心 CloudDC
网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
企业路由器 ER
企业交换机 ESW
全球加速 GA
企业连接 EC
云原生应用网络 ANC
CDN与智能边缘
内容分发网络 CDN
智能边缘云 IEC
智能边缘平台 IEF
CloudPond云服务
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
威胁检测服务 MTD
态势感知 SA
认证测试中心 CTC
边缘安全 EdgeSec
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
可信智能计算服务 TICS
推荐系统 RES
云搜索服务 CSS
数据可视化 DLV
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
湖仓构建 LakeFormation
智能数据洞察 DataArts Insight
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
API网关 APIG
分布式缓存服务 DCS
多活高可用服务 MAS
事件网格 EG
开天aPaaS
应用平台 AppStage
开天企业工作台 MSSE
开天集成工作台 MSSI
API中心 API Hub
云消息服务 KooMessage
交换数据空间 EDS
云地图服务 KooMap
云手机服务 KooPhone
组织成员账号 OrgID
云空间服务 KooDrive
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
配置审计 Config
应用身份管理服务 OneAccess
资源访问管理 RAM
组织 Organizations
资源编排服务 RFS
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
区块链
区块链服务 BCS
数字资产链 DAC
华为云区块链引擎服务 HBS
解决方案
高性能计算 HPC
SAP
混合云灾备
开天工业工作台 MIW
Haydn解决方案工厂
数字化诊断治理专家服务
价格
成本优化最佳实践
专属云商业逻辑
云生态
云商店
合作伙伴中心
华为云开发者学堂
华为云慧通差旅
其他
管理控制台
消息中心
产品价格详情
系统权限
客户关联华为云合作伙伴须知
公共问题
宽限期保留期
奖励推广计划
活动
云服务信任体系能力说明
开发与运维
软件开发生产线 CodeArts
需求管理 CodeArts Req
流水线 CodeArts Pipeline
代码检查 CodeArts Check
编译构建 CodeArts Build
部署 CodeArts Deploy
测试计划 CodeArts TestPlan
制品仓库 CodeArts Artifact
移动应用测试 MobileAPPTest
CodeArts IDE Online
开源镜像站 Mirrors
性能测试 CodeArts PerfTest
应用管理与运维平台 ServiceStage
云应用引擎 CAE
开源治理服务 CodeArts Governance
华为云Astro轻应用
CodeArts IDE
Astro工作流 AstroFlow
代码托管 CodeArts Repo
漏洞管理服务 CodeArts Inspector
联接 CodeArtsLink
软件建模 CodeArts Modeling
Astro企业应用 AstroPro
CodeArts盘古助手
华为云Astro大屏应用
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
存储容灾服务 SDRS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
云存储网关 CSG
专属分布式存储服务 DSS
数据工坊 DWR
地图数据 MapDS
键值存储服务 KVS
容器
云容器引擎 CCE
云容器实例 CCI
容器镜像服务 SWR
云原生服务中心 OSC
应用服务网格 ASM
华为云UCS
数据库
云数据库 RDS
数据复制服务 DRS
文档数据库服务 DDS
分布式数据库中间件 DDM
云数据库 GaussDB
云数据库 GeminiDB
数据管理服务 DAS
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
AI开发平台ModelArts
华为HiLens
图引擎服务 GES
图像识别 Image
文字识别 OCR
自然语言处理 NLP
内容审核 Moderation
图像搜索 ImageSearch
医疗智能体 EIHealth
企业级AI应用开发专业套件 ModelArts Pro
人脸识别服务 FRS
对话机器人服务 CBS
语音交互服务 SIS
人证核身服务 IVS
视频智能分析服务 VIAS
城市智能体
自动驾驶云服务 Octopus
盘古大模型 PanguLargeModels
IoT物联网
设备接入 IoTDA
全球SIM联接 GSL
IoT数据分析 IoTA
路网数字化服务 DRIS
IoT边缘 IoTEdge
设备发放 IoTDP
企业应用
域名注册服务 Domains
云解析服务 DNS
企业门户 EWP
ICP备案
商标注册
华为云WeLink
华为云会议 Meeting
隐私保护通话 PrivateNumber
语音通话 VoiceCall
消息&短信 MSGSMS
云管理网络
SD-WAN 云服务
边缘数据中心管理 EDCM
云桌面 Workspace
应用与数据集成平台 ROMA Connect
ROMA资产中心 ROMA Exchange
API全生命周期管理 ROMA API
政企自服务管理 ESM
视频
实时音视频 SparkRTC
视频直播 Live
视频点播 VOD
媒体处理 MPC
视频接入服务 VIS
数字内容生产线 MetaStudio
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
专属云
专属计算集群 DCC
开发者工具
SDK开发指南
API签名指南
DevStar
华为云命令行工具服务 KooCLI
Huawei Cloud Toolkit
CodeArts API
云化转型
云架构中心
云采用框架
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
客户运营能力
国际站常见问题
支持计划
专业服务
合作伙伴支持计划
我的凭证
华为云公共事业服务云平台
工业软件
工业数字模型驱动引擎
硬件开发工具链平台云服务
工业数据转换引擎云服务

使用CES监控Lite Server资源

更新时间:2025-02-13 GMT+08:00
分享

场景描述

Lite Server的监控能力依赖于CES云监控服务。本文主要介绍如何对接CES云监控服务,对Lite Server上的资源和事件进行监控。

监控方案介绍

监控概述请参考BMS官方文档。除文档所列支持的镜像之外,目前还支持Ubuntu20.04。

监控指标采样周期1分钟。当前监控指标项已经包含CPU、内存、磁盘、网络。在主机上安装加速卡驱动后,可以自动采集的相关指标。此处表1仅展示NPU相关指标,其他指标项请参考CES Agent支持的指标列表

表1 NPU指标列表

序号

分类

指标名称

显示名

说明

单位

取值范围

维度

支持机型

1

整体

npu_device_health

NPU健康状况

NPU卡的健康状况

-

0:正常

1:一般告警

2:重要告警

3:紧急告警

instance_id,npu

Snt3P

300IDuo

Snt9B

Snt9C

2

npu_driver_health

NPU驱动健康状况

NPU卡的驱动的健康状况

-

0:正常

3:紧急告警

instance_id,npu

3

npu_power

NPU功率

NPU卡功率

W

>0

instance_id,npu

4

npu_temperature

NPU温度

NPU卡温度

°C

自然数

instance_id,npu

5

npu_voltage

NPU电压

该指标描述NPU的电压

V

自然数

instance_id,npu

6

HBM

npu_util_rate_hbm

NPUHBM占用率

该指标描述NPUHBM占用率

%

0~100%

instance_id,npu

Snt9B

Snt9C

7

npu_hbm_freq

HBM频率

NPUHBM频率

MHz

>0

instance_id,npu

8

npu_hbm_usage

HBM使用量

NPUHBM使用量

MB

≥0

instance_id,npu

9

npu_hbm_temperature

HBM温度

NPUHBM温度

°C

自然数

instance_id,npu

10

npu_hbm_bandwidth_util

HBM带宽利用率

NPUHBM带宽利用率

%

0~100%

instance_id,npu

11

npu_hbm_mem_capacity

NPUHBM内存容量

该指标描述NPUHBM内存容量

MB

≥0

instance_id,npu

12

npu_hbm_ecc_enable

HBM ECC开关状态

NPUHBM ECC开关状态

-

0:ecc检测未使能

1:ecc检测使能

instance_id,npu

13

npu_hbm_single_bit_error_cnt

HBM当前单bit错误数量

NPUHBM当前单bit错误数量

count

≥0

instance_id,npu

14

npu_hbm_double_bit_error_cnt

HBM当前双bit错误数量

NPUHBM当前双bit错误数量

count

≥0

instance_id,npu

15

npu_hbm_total_single_bit_error_cnt

HBM生命周期内单bit错误数量

NPUHBM生命周期内单bit错误数量

count

≥0

instance_id,npu

16

npu_hbm_total_double_bit_error_cnt

HBM生命周期内双bit错误数量

NPUHBM生命周期内双bit错误数量

count

≥0

instance_id,npu

17

npu_hbm_single_bit_isolated_pages_cnt

HBM单比特错误隔离内存页数量

NPUHBM单比特错误隔离内存页数量

count

≥0

instance_id,npu

18

npu_hbm_double_bit_isolated_pages_cnt

HBM多比特错误隔离内存页数量

NPUHBM多比特错误隔离内存页数量

count

≥0

instance_id,npu

19

DDR

npu_usage_mem

NPU显存使用量

NPU卡的显存使用量

MB

0

instance_id,npu

Snt3P

300IDuo

20

npu_util_rate_mem

NPU显存使用率

NPU卡的显存使用率

%

0100%

instance_id,npu

21

npu_freq_mem

NPU显存频率

NPU卡的显存频率

MHz

>0

instance_id,npu

22

npu_util_rate_mem_bandwidth

NPU显存带宽使用率

NPU卡的显存带宽使用率

%

0100%

instance_id,npu

23

npu_sbe

NPUbit错误数量

NPU卡单比特错误数量

count

0

instance_id,npu

24

npu_dbe

NPUbit错误数量

NPU卡双比特错误数量

count

0

instance_id,npu

25

AI Core

npu_freq_ai_core

NPUAI核心频率

NPU卡的AI核心时钟频率

MHz

>0

instance_id,npu

Snt3P

300IDuo

Snt9B

Snt9C

26

npu_freq_ai_core_rated

NPUAI核心额定频率

该指标描述NPUAI核心额定频率

MHz

>0

instance_id,npu

27

npu_util_rate_ai_core

NPUAI核心使用率

NPU卡的AI核心使用率

%

0~100%

instance_id,npu

28

AI CPU

npu_aicpu_num

NPUAICPU数量

该指标描述NPUAICPU数量

count

0

instance_id,npu

Snt3P

300IDuo

Snt9B

Snt9C

29

npu_util_rate_ai_cpu

NPUAICPU使用率

NPU卡的AI-CPU使用率

%

0100%

instance_id,npu

30

npu_aicpu_avg_util_rate

NPUAICPU平均使用率

该指标描述NPUAICPU平均使用率

%

0100%

instance_id,npu

31

npu_aicpu_max_freq

NPUAICPU最大频率

该指标描述NPUAICPU最大频率

MHz

>0

instance_id,npu

32

npu_aicpu_cur_freq

NPUAICPU频率

该指标描述NPUAICPU频率

MHz

>0

instance_id,npu

33

CTRL CPU

npu_util_rate_ctrl_cpu

NPU控制CPU使用率

NPU卡的控制CPU使用率

%

0~100%

instance_id,npu

Snt3P

300IDuo

Snt9B

Snt9C

34

npu_freq_ctrl_cpu

NPU的控制CPU频率

该指标描述NPU的控制CPU频率

MHz

>0

instance_id,npu

35

PCIE链路

npu_link_cap_speed

NPU链路最大传输速度

该指标描述NPU设备支持的最大传输速度

GT/s

0

instance_id,npu

310P

300IDuo

Snt9B

Snt9C

36

npu_link_cap_width

NPU链路最大传输宽度

该指标描述NPU设备支持的最大传输宽度

count

0

instance_id,npu

37

npu_link_status_speed

NPU链路当前传输速度

该指标描述NPU设备链路的实际传输速度

GT/s

0

instance_id,npu

38

npu_link_status_width

NPU链路当前传输宽度

该指标描述NPU设备链路的实际传输宽度

count

0

instance_id,npu

39

RoCE网络

npu_device_network_health

NPU网络健康情况

NPU卡的RoCE网卡的IP地址连通情况

-

0:网络健康状态正常

非0:网络状态异常

instance_idnpu

Snt9B

Snt9C

40

npu_network_port_link_status

NPU网口link状态

NPU卡的对应网口link状态

-

0:UP

1:DOWN

instance_idnpu

41

npu_roce_tx_rate

NPU网卡上行速率

NPU卡内网卡的上行速率

MB/s

≥0

instance_idnpu

42

npu_roce_rx_rate

NPU网卡下行速率

NPU卡内网卡的下行速率

MB/s

≥0

instance_idnpu

43

npu_mac_tx_mac_pause_num

MAC发送pause帧总数

NPU卡对应MAC 地址发送的 pause帧总报文数

count

≥0

instance_idnpu

44

npu_mac_rx_mac_pause_num

MAC接收pause帧总数

NPU卡对应MAC 地址接收的 pause帧总报文数

count

≥0

instance_idnpu

45

npu_mac_tx_pfc_pkt_num

MAC发送pfc帧总数

NPU卡对应MAC 地址发送的 PFC帧总报文数

count

≥0

instance_idnpu

46

npu_mac_rx_pfc_pkt_num

MAC接收pfc帧总数

NPU卡对应MAC 地址接收的 PFC帧总报文数

count

≥0

instance_idnpu

47

npu_mac_tx_bad_pkt_num

MAC发送坏包总数

NPU卡对应MAC 地址发送的 坏包总数

count

≥0

instance_idnpu

48

npu_mac_rx_bad_pkt_num

MAC接收坏包总数

NPU卡对应MAC 地址接收的 坏包总数

count

≥0

instance_idnpu

49

npu_roce_tx_err_pkt_num

RoCE发送坏包总数

NPU卡内RoCE网卡发送的坏包总数

count

≥0

instance_idnpu

50

npu_roce_rx_err_pkt_num

RoCE接收坏包总数

NPU卡内RoCE网卡接收的坏包总数

count

≥0

instance_idnpu

51

RoCE光模块

npu_opt_temperature

NPU光模块壳温

该指标描述NPU光模块壳温

°C

自然数

instance_id,npu

Snt9B

Snt9C

52

npu_opt_temperature_high_thres

NPU光模块壳温上限

该指标描述NPU光模块壳温上限

°C

自然数

instance_id,npu

53

npu_opt_temperature_low_thres

NPU光模块壳温下限

该指标描述NPU光模块壳温下限

°C

自然数

instance_id,npu

54

npu_opt_voltage

NPU光模块供电电压

该指标描述NPU光模块供电电压

mV

自然数

instance_id,npu

55

npu_opt_voltage_high_thres

NPU光模块供电电压上限

该指标描述NPU光模块供电电压上限

mV

自然数

instance_id,npu

56

npu_opt_voltage_low_thres

NPU光模块供电电压下限

该指标描述NPU光模块供电电压下限

mV

自然数

instance_id,npu

57

npu_opt_tx_power_lane0

NPU光模块通道0发送功率

该指标描述NPU光模块通道0发送功率

mW

0

instance_id,npu

58

npu_opt_tx_power_lane1

NPU光模块通道1发送功率

该指标描述NPU光模块通道1发送功率

mW

0

instance_id,npu

59

npu_opt_tx_power_lane2

NPU光模块通道2发送功率

该指标描述NPU光模块通道2发送功率

mW

0

instance_id,npu

60

npu_opt_tx_power_lane3

NPU光模块通道3发送功率

该指标描述NPU光模块通道3发送功率

mW

0

instance_id,npu

61

npu_opt_rx_power_lane0

NPU光模块通道0接收功率

该指标描述NPU光模块通道0接收功率

mW

0

instance_id,npu

62

npu_opt_rx_power_lane1

NPU光模块通道1接收功率

该指标描述NPU光模块通道1接收功率

mW

0

instance_id,npu

63

npu_opt_rx_power_lane2

NPU光模块通道2接收功率

该指标描述NPU光模块通道2接收功率

mW

0

instance_id,npu

64

npu_opt_rx_power_lane3

NPU光模块通道3接收功率

该指标描述NPU光模块通道3接收功率

mW

0

instance_id,npu

65

npu_opt_tx_bias_lane0

NPU光模块通道0发射偏置电流

该指标描述NPU光模块通道0发射偏置电流

mA

0

instance_id,npu

66

npu_opt_tx_bias_lane1

NPU光模块通道1发射偏置电流

该指标描述NPU光模块通道1发射偏置电流

mA

0

instance_id,npu

67

npu_opt_tx_bias_lane2

NPU光模块通道2发射偏置电流

该指标描述NPU光模块通道2发射偏置电流

mA

0

instance_id,npu

68

npu_opt_tx_bias_lane3

NPU光模块通道3发射偏置电流

该指标描述NPU光模块通道3发射偏置电流

mA

0

instance_id,npu

69

npu_opt_tx_los

NPU光模块TX Los

该指标描述NPU光模块TX Los flag

count

0

instance_id,npu

70

npu_opt_rx_los

NPU光模块RX Los

该指标描述NPU光模块RX Los flag

count

0

instance_id,npu

Lite Server支持的事件列表

通过对接CES,可以将业务中的重要事件或对云资源的操作事件收集到CES云监控服务,并在事件发生时进行告警。Lite Server支持的事件来源主要是BMS,具体事件列表如下。

表2 表2 Lite Server支持的事件列表

事件来源

命名空间

事件名称

事件ID

事件级别

事件说明

处理建议

事件影响

支持机型

BMS

SYS.BMS

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

联系运维人员协助处理

NPU卡无法正常使用

Snt3P

300IDuo

Snt9B

Snt9C

NPU: PCIe链路异常

PCIeErrorFound

重要

lspci显示npu卡处于rev ff状态

联系运维人员协助处理

NPU卡无法正常使用

Snt3P

300IDuo

Snt9B

Snt9C

NPU: lspci查询缺少设备

LspciCardNotFound

重要

一般是由于NPU掉卡

联系运维人员协助处理

NPU卡无法正常使用

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

NPU: 存在不可纠正ECC错误

UncorrectableEccErrorWarning

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

Snt3P

300IDuo

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

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

NPU HBM多ECC错误信息

NpuHbmMultiEccInfo

提示

NPU卡存在HBM的ECC错误,此事件上报相应错误信息

这是一个用于辅助其他事件进行判断的事件,无需单独定位处理

这是一个用于辅助其他事件进行判断的事件,无需单独定位处理

Snt9B

Snt9C

GPU: RoCE网卡配置错误

GpuRoceNicConfigIncorrect

重要

GPU: 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

GPU

OS出现ReadOnly问题

ReadOnlyFileSystem

严重

文件系统%s只读

请检查磁盘健康状态

无法对文件进行写和操作

-

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

Snt3P

300IDuo

Snt9B

Snt9C

NPU:Docker容器环境检测

NpuContainerEnvSystem

重要

Docker不可用

确认docker软件是否正常

无法使用docker软件

-

重要

容器插件Ascend-Docker-Runtime未安装

安装容器插件Ascend-Docker-Runtime,否则影响容器使用昇腾卡

docker容器无法挂载NPU卡

Snt3P

300IDuo

Snt9B

Snt9C

重要

操作系统没有开启IP转发功能

请检查/etc/sysctl.conf文件中net.ipv4.ip_forward配置

docker容器无法正常网络通信

-

重要

容器共享内存过小

共享内存默认为64M,可按需修改

分布式训练时共享内存不足导致训练失败

-

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

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

Snt9B

Snt9C

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

Snt9B

Snt9C

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

Snt9B

Snt9C

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

重要

nvidia-fabricmanager版本和GPU驱动版本不一致

请检查GPU驱动版本和nvidia-fabricmanager版本

nvidia-fabricmanager 无法正常工作,影响 GPU 的使用

重要

容器插件nvidia-container-toolkit未安装

安装容器插件nvidia-container-toolkit

docker无法挂载GPU卡

本地磁盘挂载巡检

MountDiskSystem

重要

/etc/fstab中有无效的UUID

请检查/etc/fstab配置文件中UUID的正确性,否则可能会导致机器重启失败

挂载磁盘错误,导致机器重启异常

-

GPU:Ant系列机器动态路由配置错误

GpuRouteConfigError

重要

Ant系列机器网卡%s动态路由未配置或配置错误,CMD [ip route]: %s | CMD [ip route show table all]: %s。

请正确配置RoCE网卡路由

NPU网络通信异常

GPU

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

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt9B

Snt9C

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

Snt3P

300IDuo

Snt9B

Snt9C

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

Snt9B

Snt9C

安装CES Agent监控插件

  1. 当前账户需要给CES授权委托,请参考创建用户并授权使用云监控服务
  2. 当前还不支持在CES界面直接一键安装监控,需要登录到服务器上执行以下命令安装配置Agent。其它region的安装请参考单台主机下安装Agent

    cd /usr/local && curl -k -O https://obs.cn-north-4.myhuaweicloud.com/uniagent-cn-north-4/script/agent_install.sh && bash agent_install.sh

    安装成功的标志如下:

    图1 安装成功提示

  3. 在云监控服务CES控制台的主机监控 > 裸金属服务器界面查看具体的监控项,加速卡类的监控项必须在主机安装加速卡驱动后才会有相关指标。

    图2 监控界面

    至此,监控插件已经安装完成,相关指标的采集可以在UI界面直接查看或者根据指标值配置相关告警。

提示

您即将访问非华为云网站,请注意账号财产安全

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容