故障处理流程

本文主要以开发者在执行推理、训练过程中可能遇到的各类异常故障现象为入口，提供自助式问题定位、问题处理方法，方便开发者快速定位并解决故障，内容包括：屏幕打印的错误码信息及处理方法、一键式日志收集以及各类问题定位工具使用。

故障处理总体流程主要包括以下过程：收集故障信息、分析故障原因、故障排除。具体实施过程如图1所示。

• 收集故障信息

  故障信息是故障处理的重要依据，故障处理人员应尽可能多的收集故障信息，包括但不限于日志、环境信息等。

  关于日志信息，一般采用至上而下的日志分析方法，根据业务流程逐步缩小到底层故障现象。

  1. 查看plog日志，确认host的报错信息，plog日志路径为：/root/ascend/log/debug/plog/plog-pid_yyyymmddtttttttt.log。

     系统默认为ERROR级别的日志，如果需要更详细的日志，可以使用 export ASCEND_GLOBAL_LOG_LEVEL=0 或者export ASCEND_GLOBAL_LOG_LEVEL=1开启DEBUG或者INFO级别的日志。

     注意：通过上面命令行方式，环境变量仅生效于执行界面，并且在需要重新执行任务才生效。

  2. 查看device日志，确认device的报错信息。

     使用/usr/local/Ascend/driver/tools/msnpureport命令将device侧收集日志到host侧，然后进行查看。

• 分析故障原因

  分析故障原因是指从众多可能原因中找出故障原因的过程。通过一定的方法或手段分析、比较各种可能的故障成因，不断排除可能因素，最终确定故障发生的具体原因。

• 故障排除

  故障排除是指根据不同的故障原因清除故障的过程。

• 记录故障处理过程

  故障排除后应记录故障处理要点，给出针对此类故障的防范和改进措施，避免同类故障再次发生。

  

  您也可以将故障处理案例分享到华为开发者社区论坛，分享您的经验、提供给其他开发者参考，形成良性循环，丰富社区内容，大家共同受益。

  本文提供的故障处理步骤中涉及的第三方工具（如eseye u、Netron），均为举例，非必须工具，请根据您自己实际情况参考使用或替换成其他类似工具。