问题现象描述

当启动一个训练任务后，训练任务容器内部hccl.json文件一致处于initializing状态（默认路径：/user/serverid/devindex/config/hccl.json）。

执行kubectl exec -it XXX bash 进入容器，若Pod不在default命名空间，则需要加-n XXX指明命名空间，如：kubectl exec -it XXX -n XXX bash。

原因分析

• 原因一：Ascend Operator没有正常启动。
• 原因二：Ascend Device Plugin启动参数配置了“-volcanoType=false”，可通过如下命令进行确认。

  ps -ef | grep "device-plugin"

• 原因三：若Ascend Device Plugin组件日志出现如下内容，表示Ascend Device Plugin没有正确获取到device ip导致无法写Pod的Annotations。

  Get device ip failed

解决措施

针对原因一：参考《MindCluser 集群调度安装指南》的“安装部署 > 手动安装 > Ascend Operator”章节，重新安装Ascend Operator。

针对原因二：参考《MindCluser 集群调度安装指南》的“安装部署 > 手动安装 > Ascend Device Plugin”章节，修改Ascend Device Plugin的启动参数“-volcanoType=true”之后再重新apply对应的yaml文件。

针对原因三：正确配置device ip，请参见《MindCluster Ascend Deployer用户指南》中的“使用HCCN Tool工具配置”章节。